WO2018072351A1 - 一种基于粒子群优化算法对支持向量机的优化方法 - Google Patents

一种基于粒子群优化算法对支持向量机的优化方法 Download PDF

Info

Publication number
WO2018072351A1
WO2018072351A1 PCT/CN2017/070894 CN2017070894W WO2018072351A1 WO 2018072351 A1 WO2018072351 A1 WO 2018072351A1 CN 2017070894 W CN2017070894 W CN 2017070894W WO 2018072351 A1 WO2018072351 A1 WO 2018072351A1
Authority
WO
WIPO (PCT)
Prior art keywords
particle
fitness
optimal
population
individual
Prior art date
Application number
PCT/CN2017/070894
Other languages
English (en)
French (fr)
Inventor
吕胜富
栗觅
张明
钟宁
Original Assignee
北京工业大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 北京工业大学 filed Critical 北京工业大学
Publication of WO2018072351A1 publication Critical patent/WO2018072351A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Definitions

  • the invention relates to the field of computer artificial intelligence technology, in particular to an optimization method of a support vector machine algorithm based on a particle swarm optimization algorithm.
  • PSO Particle Swarm Optimization
  • a group intelligence algorithm that simulates the intelligent behavior of biological groups (such as ants, birds, and bees) in nature.
  • biological groups such as ants, birds, and bees
  • the feasible solution of each optimization problem is regarded as a particle.
  • Each particle's own state is described by a set of position vectors and velocity vectors, respectively representing the feasible solution of the problem and its in the D-dimensional search space. The direction of movement.
  • the particle realizes its positional change through its own experience and continuous learning to find its neighbor optimal solution and group optimal solution.
  • the original particle swarm optimization algorithm has no inertia weight w.
  • Shi and Eberhart first proposed a particle swarm optimization algorithm with inertia weight w, and pointed out that a large inertia weight w makes the particle velocity increase greatly, which is beneficial to the particle exploration.
  • the inventors have found that the prior art particle swarm algorithm has at least the following problem: since the large inertia weight w can increase the global exploration ability, the smaller inertia weight w can increase the local search ability, if desired Achieving a balance between global exploration capability and local search capability requires an inertial weight w that can be adaptively changed.
  • the inertia weight w in the prior art is a fixed value or changes according to the number of iterations during the execution of the PSO algorithm, but the inertia weights w in these prior art cannot be adaptively adjusted according to the information of the population, so that the global The ability to explore and local search capabilities are well balanced.
  • the inertia weight w is a fixed value mechanism It makes the PSO algorithm easy to fall into the local optimal solution and easy to prematurely converge.
  • Support Vector Machine is a new generation learning algorithm developed on the basis of statistical learning.
  • the algorithm has strong advantages on the basis of theory.
  • support vector machine is used in text classification, image classification, Bioinformatics, pattern recognition, system control, production scheduling, computer engineering and data mining have been widely used.
  • the support vector machine maximizes the generalization ability of the learning machine, that is, the decision rule obtained from the limited training samples, and can still obtain small errors for the independent test set.
  • the support vector machine algorithm is a convex quadratic optimization problem, which can guarantee that the found extreme solution is the global optimal solution.
  • the prior art SVM algorithm has at least the following problem: in the SVM classification model, C is a parameter in the SVM classification model, indicating tolerance to classification errors or misclassification. Punishment strength, the larger C, the greater the punishment, the more the error can not be tolerated, and the over-fitting is easy to occur. The smaller the C is, the opposite is, which is easy to cause under-fitting.
  • g is the radius of the Radial Basis Function, which affects the distribution of the data after mapping to the new feature space. The larger g, the smaller the support vector, the smaller the g value, the more support vectors, and the support vector The number affects the speed of training and prediction.
  • parameters C and g have an impact on the performance of the algorithm.
  • Reasonable setting of parameters C and g can improve the classification accuracy of the classifier and the training and prediction speed of the classifier, while the existing methods have limited ability to optimize these two parameters. , will cause the parameter settings to be unreasonable, resulting in the classification accuracy of the SVM classification model is not high.
  • the object of the present invention is to optimize the two parameters C and g in the SVM classification model by using an improved particle swarm optimization algorithm, so that the two parameters obtain optimal values, thereby improving the classification accuracy of the SVM algorithm, and then promoting the support vector machine algorithm.
  • a method for optimizing a support vector machine based on a particle swarm optimization algorithm including:
  • Step S1 initializing each parameter of the particle group, the parameters including the population size of the particle group, the number of iterations, the dimension of the search space, the maximum value of the search range, the minimum value of the search range, the speed of each particle in the particle group, Location, self-learning factors and social learning factors;
  • Step S2 bringing the initial value of the position of each particle after initialization into the fitness function to obtain the fitness of each particle;
  • Step S3 according to the fitness of each particle, calculate the individual optimal position of each particle, the individual optimal fitness, the optimal population position of the particle group, and the optimal fitness of the population;
  • Step S4 calculating the inertia weight based on the optimal fitness of the population and the optimal fitness of the individual;
  • Step S5 updating the speed and position of each particle based on the inertia weight, the self-learning factor, the social learning factor, the individual optimal position of each particle, and the optimal position of the population of the particle group;
  • Step S6 calculating a ratio of the individual optimal fitness of each particle at the current number of iterations to the individual optimal fitness of the previous iteration number, and comparing the ratio with a predetermined threshold, if the certain particle ratio If it is less than a predetermined threshold, it is determined that the particle search is successful;
  • Step S7 calculating the Euclidean distance of the position of the successfully searched particle to the optimal position of the population, and averaging the Euclidean distance corresponding to all the successfully searched particles to obtain a distance threshold;
  • Step S8 determining whether the Euclidean distance of the position of each particle to the optimal position of the population is less than the distance threshold, and if so, performing a mutation operation on a part of the particles within the distance threshold;
  • Step S9 it is determined whether the current number of iterations is less than the set number of iterations, and if not, step S10 is performed;
  • Step S10 output the particle group at the current optimal position of the population, and map the optimal position of the population to the penalty factor C and the radial basis function radius g in the support vector machine;
  • step S11 the support vector machine is trained according to the penalty factor C and the radial basis kernel function radius g.
  • the embodiment of the present invention adjusts the inertia weight w according to the particle fitness, thereby realizing the adaptive adjustment of the inertia weight w and increasing the diversity of the inertia weight.
  • the timing of particle variation can be better controlled. After the particle is mutated, the particle jumps out.
  • the ability of the local optimal solution is improved, which is more conducive to finding the optimal values of the parameters C and g, and ultimately helps to improve the classification accuracy of the SVM algorithm.
  • FIG. 1 is a flow chart of an optimization method of a support vector machine based on a particle swarm optimization algorithm according to the present invention
  • FIG. 2 is a distribution diagram of an average fitness fitness value and an individual optimal fitness inertia weight distribution using particles according to the present invention
  • Figure 2a is an inertia weight value obtained using an average fitness average of particles
  • Figure 2b is the inertia weight value obtained when using the particle individual optimal fitness
  • Figure 3 is a schematic illustration of the particle group undetermined variant particles of the present invention.
  • Figure 4 is a schematic illustration of the identified particle population of the particle population of the present invention.
  • 5a is a comparison diagram of the method for optimizing the SVM classification model based on the AIFPSO algorithm of the present invention and the optimization method for the SVM classification model based on the original particle swarm optimization algorithm in the prior art;
  • FIG. 5b is a comparison diagram of the optimization method of the SVM classification model based on the AIFPSO algorithm of the present invention and the optimization method of the SVM classification model based on the original particle swarm optimization algorithm in the prior art.
  • FIG. 1 is a flow chart of a first embodiment of an optimization method of a support vector machine based on a particle swarm optimization algorithm of the present invention.
  • an optimization method of the support vector machine based on the particle swarm optimization algorithm includes the following steps S1 to S10:
  • Step S1 initializing each parameter of the particle group, the parameters including the population size of the particle group, the number of iterations, the dimension of the search space, the maximum value of the search range, the minimum value of the search range, the speed of each particle in the particle group, Location, self-learning factors and social learning factors.
  • the population size that is, the particle group includes s particles
  • the maximum number of iterations is T
  • the search space dimension is D.
  • the minimum value of the search range is pop min
  • the maximum value of the search range is pop max .
  • the speed of each particle in the particle group is set to v, the position is x, the social learning factor c 1 , and the self-learning factor is c 2 .
  • the speed of each particle in the particle group is set to v, and the maximum speed is V max and the minimum speed is V min .
  • the particle group is initialized, so-called initialization, that is, the above parameters are assigned, so that each parameter obtains an initial value.
  • initializing the particle group includes assigning a random value to the velocity and position of each particle in the particle group. Specifically, the velocity of each particle is initialized based on the following formula (1); the position of each particle is initialized based on the following formula (2), where rand() is a random number between the intervals [0, 1] .
  • step S2 the initial value of the position of each particle after initialization is brought into the fitness function to obtain the fitness of each particle.
  • the initial value of the position obtained after the particle group is initialized is brought into the fitness function to obtain the fitness of each particle.
  • each particle obtains an initial position (ie, an initial value of the position).
  • the initial values of these locations are mapped to the penalty factor C and the radial basis kernel function radius g in the support vector machine (SVM classification model), and the support vector machine is trained according to the penalty factor C and the radial basis kernel function radius g, based on Equation (3) gives fitness.
  • n is the total number of samples in the training set
  • r is the number of samples with the correct classification
  • F is the fitness.
  • the fitness F is the classification accuracy of the trained SVM classification model to the training set. The higher the classification accuracy, the better the classification effect.
  • the output fitness is the largest group corresponding to the optimal position of the population, and the optimal position of the population is mapped to the parameters C and g, then the parameters of the particle group to the SVM C and g are optimized.
  • Step S3 according to the fitness of each particle, calculate the individual optimal position of each particle, the individual optimal fitness, the optimal population position of the particle group, and the optimal fitness of the population.
  • the fitness in the particle swarm optimization algorithm is the classification accuracy of the SVM classification model (support vector machine) for the training set, so the individual optimal fitness is for each particle.
  • the maximum fitness value obtained during the iterative process; the optimal fitness of the population is the maximum of the individual optimal fitness of all particles in the particle swarm during the whole iterative process; the individual optimal position is the particle of the individual optimal fitness.
  • the corresponding position; the optimal position of the population is the position corresponding to the particle with the optimal fitness of the population.
  • all the particles in the particle group change the position of the particles in each search space dimension once every iteration in the iterative process.
  • the number of iterations is t
  • the search space dimension is D
  • the fitness of the particle in this iteration is obtained in the fitness function. If the particle is iterated t times, the position value of the particle in each iteration is substituted into the fitness function, and t fitness is obtained.
  • the most suitable value is selected from the t fitness values as the individual optimal fitness of the particle in the whole iterative process, and the position corresponding to the individual optimal fitness is the individual optimal position of the particle. After the individual optimal fitness of each particle is determined, the individual optimal fitness of the s particles is compared, and the largest fitness value of the particle group is selected as the optimal fitness of the particle group. The optimal position of the population of the particle swarm.
  • step S4 the inertia weight is obtained based on the optimal fitness of the population and the optimal fitness of the individual.
  • the optimal fitness of the population and the optimal fitness of the individual are substituted into the formula (4) for calculation, and the inertia weight is obtained.
  • i is characterized by the particle being the ith, t characterizing the iteration to t times, w characterizing the inertia weight, w i (t) characterizing the inertia weight value of the i th particle iteration to t times, fitness(gbest)(t The fitness (pbest) i (t) is characterized by the optimal fitness of the i-th particle iteration to t times.
  • 2 is a distribution diagram of the inertia weights of 20 particle iterations of a particle group in a plane coordinate system.
  • the horizontal axis represents the number of iterations
  • the vertical axis represents the particle inertia weight value
  • FIG. 2a is the inertia weight value obtained using the particle individual fitness fitness (pbest) average
  • FIG. 2b is the particle individual optimal fitness.
  • Fitness(pbest) i The inertia weight value obtained.
  • the inertia weights are highly concentrated, and almost all of the particles correspond to the same inertia weight value.
  • the inertia weight distribution of the particles is wider in each iteration, between (0.5, 1.5). Therefore, it can be seen that using the individual fitness fitness(pbest) i is more diverse than the average fitness fitness (pbest) average of the particle, so that the particle is global.
  • search and local search have a division of labor, which enables the algorithm to achieve an effective balance between global exploration capabilities and local search capabilities.
  • step S5 the speed and position of each particle are updated based on the inertia weight, the self-learning factor, the social learning factor, the individual optimal position of each particle, and the optimal position of the population of the particle group.
  • step S5 includes the following steps S51-S52:
  • Step S51 calculating the inertia weight, the self-learning factor, the social learning factor, the individual optimal position of each particle, and the optimal position of the particle group into the formula (5), and obtaining the particle update. speed.
  • v ij (t+1) wv ij (t)+c 1 r 1 [pbest ij (t)-x ij (t)]+c 2 r 2 [gbest j (t)-x ij (t)] (5)
  • step S52 the inertia weight, the self-learning factor, the social learning factor, the individual optimal position of each particle, and the optimal position of the particle group are substituted into the equation (6) to obtain the updated position of the particle.
  • i is characterized by the particle being the ith, j characterizing the jth dimension of the particle, x characterizing the position of the particle, t characterizing the iteration to t times, w characterizing the inertia weight, and v ij (t) characterizing the ith particle
  • v ij (t+1) characterizes the velocity in the j-th dimensional space from the i-th particle iteration to the t+1th time
  • x ij (t) represents the i-th
  • x ij (t+1) characterizes the position of the i-th particle iteration to the jth-dimensional space at the t+1th time
  • pbest ij (t) The i-th particle iterates to the individual optimal position in the j-th dimensional space at the t
  • Step S6 calculating a ratio of the individual optimal fitness of each particle at the current number of iterations to the individual optimal fitness of the previous iteration number, and comparing the ratio with a predetermined threshold, if the certain particle ratio If it is less than the predetermined threshold, it is determined that the particle search is successful.
  • the predetermined threshold is set to 1. If the ratio of the individual optimal fitness of a certain particle to the number of previous iterations is less than 1, the particle search succeeds. If the ratio of the individual optimal fitness of a particle at the current number of iterations to the individual optimal fitness at the previous iteration is equal to 1, it is determined that the particle search fails. Further, the particle search success characterization value is set to 1, and the particle search failure characterization value is 0, and each particle is searched for success based on the following formula (8).
  • step S7 the Euclidean distance of the position of the successfully searched particle to the optimal position of the population is calculated, and the Euclidean distance corresponding to all the successfully searched particles is averaged to obtain a distance threshold.
  • step S6 Since it is determined in step S6 whether each particle is searched successfully, according to the judgment result of each particle, the number of all successfully searched particles in the particle group can be counted, based on the number of all successfully searched particles in the particle group.
  • the search success rate of the particle swarm can be calculated.
  • the Euclidean distance of the position of the i-th particle in the searched particle to the optimal position of the population is calculated based on the following formula (9):
  • dist i represents the Euclidean distance from the position of the i-th particle to the optimal position of the population
  • gbest j represents the optimal position of the population in the j-th dimension
  • x ij represents the position of the j-th dimension of the i-th particle
  • D represents a search Spatial dimension
  • dist average represents the average value (ie, the distance threshold); m represents the number of particles that are successfully searched.
  • Step S8 determining whether the Euclidean distance of the position of each particle to the optimal position of the population is less than the distance threshold, and if so, performing a mutation operation on a part of the particles within the distance threshold.
  • dist i represents the Euclidean distance of the position of the i-th particle to the optimal position of the population
  • the mutation operation is not performed on all the particles falling within the distance threshold, because there may be an optimal position among all the particles within the distance threshold. Therefore, when mutating, some particle variograms need to be selected, and some of the particles are retained as they are.
  • the partial particles are half or one-third of the particles.
  • "Half" "1/3" is an empirical value, and other values may be selected.
  • half of the particles within the distance threshold are mutated.
  • a part of the particles within the distance threshold is subjected to a mutation operation based on the equation (7) to obtain a position of each of the partial particles after the mutation.
  • pop(i) represents the position of the i-th particle after the mutation
  • pop max represents the maximum value of the search range of the particle swarm
  • pop min represents the minimum value of the search range of the particle swarm
  • rand() is the interval [0, 1 Random number within .
  • Fig. 3 is a schematic diagram of undetermined mutated particles of a particle group. As shown in Fig. 3, the small black solid dots in the figure represent particles, and the solid dots with circles represent the optimal position of the currently searched population.
  • Figure 4 is a schematic illustration of a particle population having determined mutated particles. As shown in Fig. 4, the black small solid dots represent particles, the solid dots with circles represent the optimal position of the currently searched population, and the dist average is the distance threshold.
  • step S9 it is determined whether the current number of iterations is less than the set number of iterations. If not, step S10 is performed.
  • step S10 the output particle group is at the current optimal position of the population, and the optimal position of the population is mapped to a penalty factor C and a radial basis kernel function radius g in a support vector machine (SVM classification model).
  • SVM classification model support vector machine
  • Step S11 according to the penalty factor C and the radial basis kernel function radius g, the support vector machine Training.
  • step S11 after training the support vector machine according to the penalty factor C and the radial basis kernel function radius g, the method further includes:
  • step S3 After the training is completed, the fitness of each particle is obtained, and the fitness is substituted into step S3.
  • C is a penalty factor in the support vector machine, which characterizes the tolerance for classification errors.
  • g Characterizes the radius of the Radial Basis Function in a support vector machine.
  • AIPPSO algorithm for convenience of description, hereinafter referred to as AIPPSO algorithm.
  • the inventors used the 11 test functions shown in Table 1 below to test the five particle swarm improvement algorithms (CPSO algorithm, RPSO algorithm, LDPSO algorithm, NLDPSO algorithm, APSO algorithm) in the prior art and the AIPPSO of the present invention.
  • the algorithm optimizes the test function.
  • These 11 test functions include a unimodal function and a multimodal function.
  • Table 2 The information about the 11 functions shown in Table 1 is shown in Table 2 below.
  • the global optimal value in Table 2 is the minimum value that can be obtained by the test function, and the above various algorithms (CPSO algorithm, RPSO algorithm, LDPSO algorithm, NLDPSO algorithm, APSO algorithm, AIPPSO algorithm) have excellent results for the test function.
  • the five particle swarm improvement algorithms (CPSO algorithm, RPSO algorithm, LDPSO algorithm, NLDPSO algorithm, APSO algorithm) in the prior art are the same as the AIPPSO algorithm of the present invention.
  • the test function runs independently 30 times. The minimum, average, and standard deviation of the optimization results of each algorithm are shown in Table 3 below.
  • Min represents the minimum value of the result after running the algorithm independently for 30 times
  • Mean indicates that the 30 results are averaged after running the algorithm independently for 30 times.
  • SD indicates the standard deviation of the 30 results. The standard deviation reflects the stability of the algorithm. The smaller the standard deviation, the more stable the algorithm is.
  • CPSO five particle swarm improvement algorithms
  • the UCI Machine Learning Library is a database for machine learning proposed by the University of California Irvine.
  • the UCI dataset is a commonly used standard test data set.
  • the data sets used in the present invention include a Statlog, a Diabetes, a Thoracic Surgery, a Breast Cancer, and a Liver Disease Data Set (Liver). Disorders) A total of 5 data sets. For details of the above 5 data sets, see Table 4 below.
  • Data set name Sample size Number of features Number of categories Number of training sets Number of test sets Heart disease data set 270 10 2 150 120 Diabetes data set 768 5 2 500 268 Thoracic surgery data set 470 9 2 300 170 Breast cancer data set 699 9 2 500 199 Liver disease data set 345 4 2 200 145
  • the original dataset information includes two characteristics of gender and age, and is not used as a classification feature indicator in classification identification.
  • this experiment uses statistical test methods to discriminate the distinguishability of feature indicators. Through statistical tests, the classification indicators with significant differences between groups can be used as classification features.
  • the classification accuracy and classification time of the SVM classification model optimization method based on the original particle swarm optimization algorithm (PSO-SVM) and the AVMPSO algorithm based on the AVM classification model optimization method (AIWPSO-SVM) are compared.
  • the characteristic label of a normal person is 1, the patient's special The label is 2.
  • the experimental platform is Lenovo M490PC, 32-bit Windows7 operating system, Intel Core i5 three-generation processor, CPU calculation frequency is 2.50GHz, running memory is 4GB, software version is MATLAB R2013b. Tested with the LIBSVM toolkit. The experimental results are shown in Figure 6.
  • FIG. 5 is a comparison diagram of the optimization method of the SVM classification model based on the AIFPSO algorithm and the optimization method of the SVM classification model based on the original particle swarm optimization algorithm in the prior art.
  • 5a is a comparison result of the optimization method of the SVM classification model based on the AIFPSO algorithm of the present invention and the optimization method of the SVM classification model based on the original particle swarm optimization algorithm in the prior art.
  • FIG. 5b is a comparison diagram of the optimization method of the SVM classification model based on the AIFPSO algorithm of the present invention and the optimization method of the SVM classification model based on the original particle swarm optimization algorithm in the prior art.
  • FIG. 5a and 5b Statlog, Diabetes, Thoracic Surgery, Breast Cancer, and Liver Disorders on the horizontal axis respectively represent the five data sets used in the present invention (corresponding to heart disease data sets, diabetes data sets, and thoracic surgery).
  • Dataset, breast cancer dataset, liver disease dataset) the shaded part is the optimization method of SVM classification model based on original particle swarm optimization algorithm in the prior art, and the unshaded part is the classification of SVM based on AIVPSO algorithm of the invention. Model optimization method.
  • the vertical axis in Fig. 5a is the classification accuracy axis
  • the vertical axis in Fig. 5b is the classification time axis (unit: second).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于PSO算法对SVM分类模型的优化方法，属于计算机人工智能技术领域。一方面根据粒子适应度调节惯性权重，从而实现了惯性权重的自适应调整，增加了惯性权重的多样性，更好的平衡PSO算法全局探索能力和局部搜索能力，另一方面，通过利用搜索成功的粒子的位置计算出的阈值作为变异条件，能更好地控制粒子变异的时机，粒子经过变异后，粒子跳出局部最优解的能力得到提升，有利于对支持向量机参数的最优值寻优，以提高SVM算法的分类准确率。通过对SVM分类模型的参数的优化，提高了SVM分类模型分类的准确率，促进SVM分类模型在模式识别、系统控制、生产调度、计算机工程以及电子通信领域更加广泛的应用。

Description

一种基于粒子群优化算法对支持向量机的优化方法 技术领域
本发明涉及计算机人工智能技术领域，特别涉及一种基于粒子群优化算法对支持向量机算法的优化方法。
背景技术
粒子群优化算法(Particle Swarm Optimization，简称PSO)，是一种通过模拟自然界中生物群体(如蚂蚁、鸟和蜜蜂)的智能行为的群智能算法。在粒子群算法模型中，每一个优化问题的可行解看作一个粒子，每一个粒子的自身状态都由一组位置向量和速度向量描述，分别表示问题的可行解和它在D维搜索空间中的运动方向。粒子通过自身经验和不断学习发现它的邻居最优解和群体最优解，实现位置改变。
原始的粒子群算法是没有惯性权重w，Shi和Eberhart首先提出了含有惯性权重w的粒子群算法，并指出一个较大的惯性权重w使粒子的速度有较大的增加，有利于粒子去探索新的未知空间；一个较小的惯性权重w使粒子的速度有较小的改变，有利于粒子局部搜索。
在实现本发明的过程中，发明人发现现有技术的粒子群算法至少存在如下问题：由于较大惯性权重w能够增加全局探索能力，较小的惯性权重w能够增加局部搜索能力，如果想要获得全局探索能力和局部搜索能力这两者的平衡，就需要惯性权重w能够自适应的改变。然而，现有技术中的惯性权重w在PSO算法执行过程中是固定值或根据迭代次数改变，但这些现有技术中的惯性权重w不能根据种群的信息进行自适应调节，这样便不能使得全局探索能力和局部搜索能力得到较好的平衡。另外，惯性权重w是固定值的机制 使得PSO算法容易陷入局部最优解、容易早熟收敛。
支持向量机(Support Vector Machine，简称SVM)，是在统计学习基础上发展起来的新一代学习算法，该算法在理论基础上有较强的优势，近年来支持向量机在文本分类、图像分类、生物信息学、模式识别、系统控制、生产调度、计算机工程和数据挖掘等方面得到了广泛应用。支持向量机根据Vapnik的结构风险最小化原则，尽量提高学习机的泛化能力，即由有限训练样本得到的决策规则，对独立的测试集仍能够得到小的误差。此外，支持向量机算法是一个凸二次优化问题，能够保证找到的极值解就是全局最优解。这些特点使支持向量机成为一种优秀的学习算法。
在实现本发明的过程中，发明人发现现有技术的SVM算法至少存在如下问题：在SVM分类模型中，C为SVM分类模型中的一个参数，表示对分类错误的容忍度或者对分类错误的惩罚力度，C越大表示惩罚越大，越不能容忍错误，容易造成过拟合，C越小与之相反，容易造成欠拟合。g为径向基核函数(Radial Basis Function)半径，它影响数据映射到新的特征空间后的分布，g越大，支持向量越少，g值越小，支持向量越多，而支持向量的个数影响训练与预测的速度。所以参数C和g对算法的性能都有影响，合理设置参数C和g能提高分类器的分类准确率和分类器的训练与预测速度，而现有的方法对这两个参数优化的能力有限，会造成参数设置的不合理，从而导致SVM分类模型的分类准确率不高。
发明内容
本发明的目的是采用改进的粒子群算法优化SVM分类模型中的C和g两个参数，使得这两个参数取得最优值，实现提高SVM算法的分类准确率，进而促进支持向量机算法在模式识别、系统控制、生产调度、计算机工程以及电子通信领域更加广泛的应用。
根据本发明实施例的一个方面，提供了一种基于粒子群的优化算法对支持向量机的优化方法，包括：
步骤S1，对粒子群的各参数进行初始化，所述参数包括粒子群的种群规模、迭代次数、搜索空间维度、搜索范围的最大值、搜索范围的最小值，粒子群中每个粒子的速度、位置、自我学习因子和社会学习因子；
步骤S2，将初始化后的每个粒子的位置初始值带入适应度函数，得到每个粒子的适应度；
步骤S3，根据每个粒子的适应度，计算每个粒子的个体最优位置、个体最优适应度以及粒子群的种群最优位置、种群最优适应度；
步骤S4，基于种群最优适应度和个体最优适应度计算惯性权重；
步骤S5，基于惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置，更新每个粒子的速度和位置；
步骤S6，计算每个粒子在当前迭代次数时的个体最优适应度与前一次迭代次数时的个体最优适应度的比值，将所述比值与预定阈值进行比较，若所述某个粒子比值小于预定阈值，则判定该粒子搜索成功；
步骤S7，计算搜索成功的粒子的位置到所述种群最优位置的欧氏距离，并对所有搜索成功的粒子所对应的欧氏距离取平均值，得到距离阈值；
步骤S8，判断每个粒子的位置到所述种群最优位置的欧氏距离是否小于所述距离阈值，若是，则对距离阈值内的部分粒子进行变异操作；
步骤S9，判断当前迭代次数是否小于设定的迭代次数，若否，则执行步骤S10；
步骤S10，输出粒子群在当前的种群最优位置，并将所述种群最优位置映射为支持向量机中的惩罚因子C和径向基核函数半径g；
步骤S11，根据所述惩罚因子C和径向基核函数半径g对支持向量机进行训练。
本发明实施例的有益效果：本发明实施例一方面根据粒子适应度调节惯性权重w，从而实现了惯性权重w的自适应调整，增加了惯性权重的多样性， 更好的平衡PSO算法全局探索能力和局部搜索能力，另一方面，通过利用搜索成功的粒子计算出的阈值作为变异的条件，能更好地控制粒子变异的时机，粒子经过变异后，粒子跳出局部最优解的能力得到提升，更有利于寻找参数C和g的最优值，最终有助于提高SVM算法的分类准确率。
附图说明
图1是本发明基于粒子群的优化算法对支持向量机的优化方法流程图；
图2是本发明的使用粒子个体最优适应度平均值和个体最优适应度惯性权重分布图；
图2a是使用粒子个体最优适应度平均值取得的惯性权重值；
图2b所是使用粒子个体最优适应度时所取得的惯性权重值；
图3是本发明的粒子群未确定变异粒子的示意图；
图4是本发明的粒子群已确定变异粒子的示意图；
图5a是本发明的基于AIWPSO算法对SVM分类模型的优化方法与现有技术中基于原始粒子群算法对SVM分类模型的优化方法在分类准确率的结果对比图；
图5b是本发明的基于AIWPSO算法对SVM分类模型的优化方法与现有技术中基于原始粒子群算法对SVM分类模型的优化方法在分类时间的结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
图1是本发明基于粒子群的优化算法对支持向量机的优化方法的第一实施例的流程图。
如图1所示，一种基于粒子群的优化算法对支持向量机的优化方法，包括以下步骤S1至S10：
步骤S1，对粒子群的各参数进行初始化，所述参数包括粒子群的种群规模、迭代次数、搜索空间维度、搜索范围的最大值、搜索范围的最小值，粒子群中每个粒子的速度、位置、自我学习因子和社会学习因子。
在对粒子群的各参数进行初始化之前，需要设定粒子群的各项参数，设定种群规模为s(即该粒子群中包括s个粒子)、最大迭代次数为T、搜索空间维度为D、搜索范围的最小值为popmin、搜索范围的最大值为popmax，设定粒子群中每个粒子的速度为v、位置为x、社会学习因子c1、自我学习因子为c2。
其中设定粒子群中每个粒子的速度为v，还包括，设定最大速度为Vmax、最小速度为Vmin。在以上参数设定完成后，开始对粒子群进行初始化，所谓初始化，即对以上各项参数进行赋值，使得每个参数获得初始值。
在此需要说明的是，对粒子群进行初始化包括对粒子群中的每个粒子的速度和位置进行赋值时赋予的是随机值。具体地，基于下式(1)对每个粒子的速度进行初始化；基于下式(2)对每个粒子的位置进行初始化，其中，rand()为区间[0,1]之间的随机数。
v＝rand()     式(1)
x＝200·rand()-100      式(2)
步骤S2，将初始化后的每个粒子的位置初始值带入适应度函数，得到每个粒子的适应度。
基于每个粒子，将其在粒子群初始化后得到的位置的初始值带入适应度函数，得到每个粒子的适应度。具体地，粒子群在初始化后，每个粒子得到的一个初始位置(即位置的初始值)。把这些位置的初始值映射为支持向量机(SVM分类模型)中的惩罚因子C和径向基核函数半径g,根据惩罚因子C和径向基核函数半径g对支持向量机进行训练，基于式(3)得到适应度。
Figure PCTCN2017070894-appb-000001
其中，n为训练集样本总数,r为分类正确的样本数目，F为适应度。在粒子群算法对支持向量机的优化中，适应度F为训练完毕的SVM分类模型对训练集的分类准确率，分类准确率越大说明分类效果越好。达到设定的迭代次数后输出适应度(在这里就是分类准确率)最大的那一组对应的种群最优位置，并把种群最优位置映射为参数C和g，则粒子群对SVM的参数C和g寻优完毕。
步骤S3，根据每个粒子的适应度，计算每个粒子的个体最优位置、个体最优适应度以及粒子群的种群最优位置、种群最优适应度。
其中，在粒子群算法对支持向量机的优化中，粒子群算法中的适应度就是SVM分类模型(支持向量机)对训练集的分类准确率，所以个体最优适应度为每个粒子在整个迭代过程中得到的适应度最大的值；种群最优适应度为粒子群中所有粒子在整个迭代过程中的个体最优适应度中的最大值；个体最优位置为个体最优适应度的粒子所对应的位置；种群最优位置为种群最优适应度的粒子所对应的位置。
需要说明的是，粒子群中的所有粒子在迭代的过程中，每迭代一次，每个搜索空间维度中的粒子的位置都会改变一次。对于种群规模为s、迭代次数为t、搜索空间维度为D的粒子群来说，如果粒子迭代了一次，那么对于每个粒子，会有D个位置值，把这D个位置值带入到适应度函数中得到该粒子在本次迭代的适应度。如果粒子迭代了t次，则将粒子在每次迭代中的位置值代入适应度函数中，则得到t个适应度。从这t个适应度中选择值最大的作为该粒子在整个迭代过程中的个体最优适应度，该个体最优适应度对应的位置即为该粒子的个体最优位置。每个粒子的个体最优适应度确定后，再比较s个粒子的个体最优适应度，从中选择值最大的作为该粒子群的种群最优适应度，该种群最优适应度对应的位置即为该粒子群的种群最优位置。
步骤S4，基于种群最优适应度和个体最优适应度得到惯性权重。
具体地，将种群最优适应度和个体最优适应度代入式(4)进行计算，得到惯性权重。
Figure PCTCN2017070894-appb-000002
其中，i表征的是粒子为第i个，t表征迭代至t次，w表征惯性权重，wi(t)表征第i个粒子迭代至t次时的惯性权重值，fitness(gbest)(t)表征粒子群迭代至t次时的种群最优适应度，fitness(pbest)i(t)表征第i个粒子迭代至t次时的个体最优适应度。
图2是粒子群20个粒子迭代20次的惯性权重在平面坐标系中的分布图。
其中，横轴表示迭代次数，纵轴表示粒子惯性权重值，图2a是使用粒子个体最优适应度平均值fitness(pbest)average取得的惯性权重值，图2b所是使用粒子个体最优适应度fitness(pbest)i时所取得的惯性权重值。
如图2a所示，惯性权重高度集中，几乎所有的粒子对应相同的惯性权重值。如图2b所示，对应每次迭代，粒子的惯性权重分布范围较广，在(0.5，1.5)之间。因此可以看出，使用粒子个体最优适应度fitness(pbest)i相比使用粒子个体最优适应度平均值fitness(pbest)average，取得的惯性权重值更加具有多样性，这样可以保证粒子在全局搜索和局部搜索都有分工，从而使得算法在全局探索能力和局部搜索能力之间获得了有效的平衡。
步骤S5，基于惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置，更新每个粒子的速度和位置。
基于惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置进行计算，得到每个粒子的速度和位置的更新值，并将初始化后的每个粒子的速度和位置的初始值替换为所述更新值。
具体地，步骤S5包括以下步骤S51-S52：
步骤S51，将惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置代入式(5)进行计算，得到粒子更新后 的速度。
vij(t+1)＝wvij(t)+c1r1[pbestij(t)-xij(t)]+c2r2[gbestj(t)-xij(t)]   式(5)
步骤S52，将惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置代入式(6)进行计算，得到粒子更新后的位置。
xij(t+1)＝xij(t)+vij(t+1)        式(6)
其中，i表征的是粒子为第i个，j表征的是粒子的第j维度，x表征粒子的位置，t表征迭代至t次,w表征惯性权重，vij(t)表征第i个粒子迭代到第t次时在第j维空间的速度，vij(t+1)表征第i个粒子迭代到第t+1次时在第j维空间的速度，xij(t)表征第i个粒子迭代到第t次时在第j维空间的位置，xij(t+1)表征第i个粒子迭代到第t+1次时在第j维空间的位置，pbestij(t)表征第i个粒子迭代到第t次时在第j维空间的个体最优位置，gbestj(t)表征粒子群迭代到第t次时粒子群在第j维空间的种群最优位置，c1为社会学习因子，c2为自我学习因子，r1和r2为区间[0，1]中的随机数。
步骤S6，计算每个粒子在当前迭代次数时的个体最优适应度与前一次迭代次数时的个体最优适应度的比值，将所述比值与预定阈值进行比较，若所述某个粒子比值小于预定阈值，则判定该粒子搜索成功。
具体地，设定预定阈值为1，若某个粒子在当前迭代次数时的个体最优适应度与前一次迭代次数时的个体最优适应度的比值小于1，则判断该粒子搜索成功，若某个粒子在当前迭代次数时的个体最优适应度与前一次迭代次数时的个体最优适应度的比值等于1，则判断该粒子搜索失败。进一步，可以设置粒子搜索成功的表征值为1，粒子搜索失败的表征值为0，基于下式(8)判断每个粒子是否搜索成功。
Figure PCTCN2017070894-appb-000003
其中，SS(i,t)＝1表示第i个粒子搜索成功，SS(i,t)＝0表示第i个粒子搜 索失败。
Figure PCTCN2017070894-appb-000004
表示第i个粒子迭代至t次时的个体最优适应度，
Figure PCTCN2017070894-appb-000005
为第个i粒子迭代至t-1次时的个体最优适应度。
步骤S7，计算搜索成功的粒子的位置到所述种群最优位置的欧氏距离，并对所有搜索成功的粒子所对应的欧氏距离取平均值，得到距离阈值。
由于步骤S6中判断出了每个粒子是否搜索成功，依据每个粒子的判断结果，就能统计出该粒子群中所有搜索成功的粒子的数量，基于该粒子群中所有搜索成功的粒子的数量能够计算出该粒子群的搜索成功率。
具体地，基于下式(9)计算搜索成功的粒子中第i个粒子的位置到种群最优位置的欧氏距离：
Figure PCTCN2017070894-appb-000006
其中，disti表征第i个粒子的位置到种群最优位置的欧氏距离，gbestj表征第j维的种群最优位置，xij表征第i个粒子的第j维的位置，D表征搜索空间维度。
基于下式(10)计算所有搜索成功的粒子到种群最优位置的欧氏距离的平均值：
Figure PCTCN2017070894-appb-000007
其中，distaverage表征平均值(即距离阈值)；m表征搜索成功的粒子的个数。
步骤S8，判断每个粒子的位置到种群最优位置的欧氏距离是否小于所述距离阈值，若是，则对距离阈值内的部分粒子进行变异操作。
基于下式(11)判断每个粒子的位置到种群最优位置的欧氏距离是否小于距离阈值。
Figure PCTCN2017070894-appb-000008
其中，disti表征第i个粒子的位置到种群最优位置的欧氏距离，muti表示判断结果。若muti＝1表示该粒子落入距离阈值内，muti＝0表示该粒子没有落入距离阈值内。
需要说明的是，在确定粒子是否落入距离阈值内之后，进行变异操作时并不是对落入距离阈值内的所有粒子进行变异操作，因为距离阈值内的所有粒子中有可能存在最优位置，所以变异的时候需要选择部分粒子变异，保留一部分粒子维持原样。
所述部分粒子为一半的粒子或三分之一的粒子。“一半”“三分之一”是一个经验值，也可以选其他值，在本发明的一个优选实施例中，对距离阈值内的一半粒子进行变异操作。
对距离阈值内的部分粒子基于式(7)进行变异操作，得到所述部分粒子中每个粒子在变异后的位置。
pop(i)＝(popmax-popmin)·rand()+popmin     (7)
其中，pop(i)表征第i个粒子在变异后的位置，popmax表征粒子群的搜索范围的最大值，popmin表征粒子群的搜索范围的最小值，rand()为区间[0,1]内的随机数。
图3是粒子群未确定变异粒子示意图。如图3所示，图中黑色小实心点代表粒子，带有圆圈的实心点代表当前搜索到的种群最优位置。
图4是粒子群已经确定变异粒子的示意图。如图4所示，图中黑色小实心点代表粒子，带有圆圈的实心点代表当前搜索到的种群最优位置，distaverage为距离阈值。
步骤S9，判断当前迭代次数是否小于设定的迭代次数，若否，则执行步骤S10。
步骤S10，输出粒子群在当前的种群最优位置，并将所述种群最优位置映射为支持向量机(SVM分类模型)中的惩罚因子C和径向基核函数半径g。
步骤S11，根据所述惩罚因子C和径向基核函数半径g对支持向量机进 行训练。
进一步，所述的方法，其中，在步骤S11，根据所述惩罚因子C和径向基核函数半径g对支持向量机进行训练之后，还包括：
得到当前迭代次数时的每个粒子的适应度，并返回步骤S3。
训练完毕后，得到每个粒子的适应度，并将所述适应度代入步骤S3。
C在支持向量机中为惩罚因子，表征对分类错误的容忍度。g在支持向量机中表征径向基核函数(Radial Basis Function)的半径。
以下通过实验数据来说明本发明的有益效果。
首先通过实验数据说明本发明中对粒子群进行优化的算法的有益效果(为了表述方便，以下简称AIWPSO算法)。
发明人在实验中使用了以下表1所示的11个测试函数来测试现有技术中五种粒子群改进算法(CPSO算法、RPSO算法、LDPSO算法、NLDPSO算法、APSO算法)与本发明的AIWPSO算法对测试函数的寻优情况。这11个测试函数包括单峰函数、多峰函数。
Figure PCTCN2017070894-appb-000009
Figure PCTCN2017070894-appb-000010
表1
表1所示的11个函数的相关信息如以下表2所示。其中，表2中的全局最优值为测试函数能取到的最小值，以上各种算法(CPSO算法、RPSO算法、LDPSO算法、NLDPSO算法、APSO算法、AIWPSO算法)对测试函数的寻优结果若越接近全局最优值，表明算法的寻优精度越高。
  测试函数名称 搜索空间维度 搜索范围 全局最优位置 全局最优值
f1 Sphere 30 [-100,100]D [0,…,0]D 0
f2 Schwefel P2.22 30 [-10,10]D [0,…,0]D 0
f3 Rosenbrock 30 [-30,30]D [1,…,1]D 0
f4 Noisy Quadric 30 [-1.28,1.28]D [0,…,0]D 0
f5 Rastrigin 30 [-5.12,5.12]D [0,…,0]D 0
f6 Griewank 30 [-600,600]D [0,…,0]D 0
f7 Ackley 30 [-32,32]D [0,…,0]D 0
f8 Rotated hyper ellipsoid 30 [-100,100]D [0,…,0]D 0
f9 Rotated Rastrigin 30 [-5,5]D [0,…,0]D 0
f10 Rotated Griewank 30 [-600,600]D [0,…,0]D 0
f11 Shifted Rotated Rastrigin 30 [-600,600]D [0,…,0]D -330
表2
为了减少随机误差带来的影响，本次实验中对现有技术中五种粒子群改进算法(CPSO算法、RPSO算法、LDPSO算法、NLDPSO算法、APSO算法)与本发明的AIWPSO算法均使用相同的测试函数独立运行30次，各个算法寻优结果的最小值、平均值、标准差如下表3所示。
Figure PCTCN2017070894-appb-000011
Figure PCTCN2017070894-appb-000012
表3
如表3所示，其中，Min表示通过对算法独立运行30次后取结果中的最小值，在本次测试中，结果越接近表2中的全局最优值表示算法寻优精度越高；Mean表示对算法独立运行30次后对这30个结果取平均值；SD表示这30个结果的标准差，标准差体现了算法的稳定性，标准差越小说明算法越稳定。基于本发明的AIWPSO算法与现有技术中的五种粒子群改进算法(CPSO 算法、RPSO算法、LDPSO算法、NLDPSO算法、APSO算法)相比，基于本发明的AIWPSO算法对测试函数的寻优结果的最小值更接近表2中对应函数的全局最优值，且寻优结果的标准差更小，因此本发明的AIWPSO算法寻优精度高、算法性能稳定。
以下通过实验数据证明发明的AIWPSO算法提高SVM分类模型的分类准确率。
本实验采用UCI机器学习库(UCI Machine Learning Repository：http://archive.ics.uci.edu/ml/)中的数据集评估不同的分类模型。UCI机器学习库是加州大学欧文分校(University of California Irvine)提出的用于机器学习的数据库，UCI数据集是一个常用的标准测试数据集。其中，本发明中用到的数据集包括心脏病数据集(Statlog)、糖尿病数据集(Diabetes)、胸外科数据集(Thoracic Surgery)、乳腺癌数据集(Breast Cancer)、肝脏疾病数据集(Liver Disorders)共5个数据集，以上5个数据集的具体信息参见以下表4。
数据集名称 样本容量 特征数目 分类数目 训练集数目 测试集数目
心脏病数据集 270 10 2 150 120
糖尿病数据集 768 5 2 500 268
胸外科数据集 470 9 2 300 170
乳腺癌数据集 699 9 2 500 199
肝脏疾病数据集 345 4 2 200 145
表4
原始数据集信息中，包含性别、年龄这两个特征，在分类识别中不作为分类特征指标。对于数据集中的其他特征信息，本实验使用了统计检验方法对特征指标的可区分性进行判别，通过统计检验，组间存在显著性差异的分类指标才能作为分类特征。
通过实验比较了基于原始粒子群算法对SVM分类模型的优化方法(简称PSO-SVM)和本发明的基于AIWPSO算法对SVM分类模型的优化方法(简称AIWPSO-SVM)的分类准确率和分类时间。正常人的特征标签为1，患者的特 征标签为2。实验平台为联想M490PC，32位Windows7操作系统，英特尔酷睿i5三代处理器，CPU的计算频率为2.50GHz，运行内存为4GB，软件版本为MATLAB R2013b。采用LIBSVM工具包测试。实验结果如图6所示。
图5是本发明的基于AIWPSO算法对SVM分类模型的优化方法与现有技术中基于原始粒子群算法对SVM分类模型的优化方法在分类准确率与分类时间上的结果对比图。
其中，图5a是本发明的基于AIWPSO算法对SVM分类模型的优化方法与现有技术中基于原始粒子群算法对SVM分类模型的优化方法在分类准确率的结果对比图。
图5b是本发明的基于AIWPSO算法对SVM分类模型的优化方法与现有技术中基于原始粒子群算法对SVM分类模型的优化方法在分类时间的结果对比图。
如图5a、5b所示，横轴上的Statlog、Diabetes、Thoracic Surgery、Breast Cancer、Liver Disorders分别表示本发明中用到的5个数据集(依次对应心脏病数据集、糖尿病数据集、胸外科数据集、乳腺癌数据集、肝脏疾病数据集)，其中带阴影的部分是现有技术中基于原始粒子群算法对SVM分类模型的优化方法，没有阴影的部分是本发明基于AIWPSO算法对SVM分类模型的优化方法。图5a中的纵轴为分类准确率轴，图5b中的纵轴为分类时间轴(单位:秒)。
从图5a、图5b中可以得出：1，就分类准确率而言：基于本发明的AIWPSO算法比现有技术中基于原始粒子群算法优化SVM分类模型的分类准确率高；2，就算法运行时间而言：本发明的AIWPSO算法相对于现有技术中基于原始的粒子群算法虽然运行时间较长，但差别不大。所以，本发明在没有损失太长时间的基础上明显提高了SVM分类模型的分类准确率。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保 护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

  1. 一种基于粒子群的优化算法对支持向量机的优化方法，其特征在于，包括：
    步骤S1，对粒子群的各参数进行初始化，所述参数包括粒子群的种群规模、迭代次数、搜索空间维度、搜索范围的最大值、搜索范围的最小值，粒子群中每个粒子的速度、位置、自我学习因子和社会学习因子；
    步骤S2，将初始化后的每个粒子的位置初始值带入适应度函数，得到每个粒子的适应度；
    步骤S3，根据每个粒子的适应度，计算每个粒子的个体最优位置、个体最优适应度以及粒子群的种群最优位置、种群最优适应度；
    步骤S4，基于种群最优适应度和个体最优适应度计算惯性权重；
    步骤S5，基于惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置，更新每个粒子的速度和位置；
    步骤S6，计算每个粒子在当前迭代次数时的个体最优适应度与前一次迭代次数时的个体最优适应度的比值，将所述比值与预定阈值进行比较，若所述某个粒子比值小于预定阈值，则判定该粒子搜索成功；
    步骤S7，计算搜索成功的粒子的位置到所述种群最优位置的欧氏距离，并对所有搜索成功的粒子所对应的欧氏距离取平均值，得到距离阈值；
    步骤S8，判断每个粒子的位置到所述种群最优位置的欧氏距离是否小于所述距离阈值，若是，则对小于距离阈值的粒子进行变异操作；
    步骤S9，判断当前迭代次数是否小于设定的迭代次数；
    步骤S10，若当前迭代次数小于设定的迭代次数，则输出粒子群的当 前种群最优位置，并将所述种群最优位置映射为支持向量机中的惩罚因子C和径向基核函数半径g；
    步骤S11，根据所述惩罚因子C和径向基核函数半径g对支持向量机进行训练。
  2. 根据权利要求1所述的方法，其中，在步骤S11，根据所述惩罚因子C和径向基核函数半径g对支持向量机进行训练之后，还包括：
    得到每个粒子的适应度，并返回步骤S3。
  3. 根据权利要求1所述的方法，其中，所述步骤S1中，对粒子群进行初始化包括对粒子群中的每个粒子的速度和位置进行初始化，初始化的方式为对粒子的速度和位置赋予随机值。
  4. 根据权利要求3所述的方法，其中，
    基于式(1)对每个粒子的速度进行初始化；
    v＝rand()           式(1)
    基于式(2)对每个粒子的位置进行初始化；
    x＝200·rand()-100       式(2)
    其中，rand()为[0,1]之间的随机数。
  5. 根据权利要求1所述的方法，其中，所述步骤2基于每个粒子，将其在粒子群初始化后得到的位置的初始值带入适应度函数，得到每个粒子的适应度包括：
    步骤21，将粒子群中每个粒子的位置的初始值映射为支持向量机中的惩罚因子C和径向基核函数半径g；
    步骤22，根据所述惩罚因子C和径向基核函数半径g对支持向量机进行训练，基于式(3)得到适应度。
    Figure PCTCN2017070894-appb-100001
    其中，n为训练集样本总数,r为分类正确的样本数目，F为适应度。
  6. 根据权利要求1-5任一项所述的方法，其中，所述步骤S3中，
    个体最优适应度为每个粒子在整个迭代过程中得到的适应度最大的值；
    种群最优适应度为粒子群中所有粒子在整个迭代过程中的个体最优适应度中的最大值；
    个体最优位置为个体最优适应度的粒子所对应的位置；
    种群最优位置为种群最优适应度的粒子所对应的位置。
  7. 根据权利要求1-5任一项所述的方法，其中，所述步骤S4，基于种群最优适应度和个体最优适应度得到惯性权重，包括：
    将种群最优适应度和个体最优适应度代入式(4)进行计算，得到惯性权重；
    Figure PCTCN2017070894-appb-100002
    其中，i表征的是粒子为第i个，t表征迭代至t次，w表征惯性权重；
    wi(t)表征第i个粒子迭代至t次时的惯性权重值；
    fitness(gbest)(t)表征粒子群迭代至t次时的种群最优适应度；
    fitness(pbest)i(t)表征第i个粒子迭代至t次时的个体最优适应度。
  8. 根据权利要求1-5任一项所述的方法，其中，步骤S5包括：
    步骤S51，将惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置代入式(5)进行计算，得到粒子更新后的速度；
    vij(t+1)＝wvij(t)+c1r1[pbestij(t)-xij(t)]+c2r2[gbestj(t)-xij(t)]      式(5)步骤S52，将惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置代入式(6)进行计算，得到粒子更新后的位置；
    xij(t+1)＝xij(t)+vij(t+1)         式(6)
    其中，i表征的是粒子为第i个，j表征的是粒子的第j维度；
    x表征粒子的位置，t表征迭代至t次，w表征惯性权重；
    vij(t)表征第i个粒子迭代到第t次时在第j维空间的速度；
    vij(t+1)表征第i个粒子迭代到第t+1次时在第j维空间的速度；
    xij(t)表征第i个粒子迭代到第t次时在第j维空间的位置；
    xij(t+1)表征第i个粒子迭代到第t+1次时在第j维空间的位置；
    pbestij(t)表征第i个粒子迭代到第t次时在第j维空间的个体最优位置；
    gbestj(t)表征粒子群迭代到第t次时粒子群在第j维空间的种群最优位置；
    c1为社会学习因子，c2为自我学习因子；
    r1和r2为区间[0，1]中的随机数。
  9. 根据权利要求1-5任一项所述的方法，其中，步骤S8包括：
    对距离阈值内的部分粒子基于式(7)进行变异操作，得到所述部分粒子中每个粒子在变异后的位置；
    pop(i)＝(popmax-popmin)·rand()+popmin         (7)；
    其中，pop(i)表征第i个粒子在变异后的位置；
    popmax表征粒子群的搜索范围的最大值；
    popmin表征粒子群的搜索范围的最小值；
    rand()为区间[0,1]内的随机数。
  10. 根据权利要求1-5任一项所述的方法，其中，步骤S8中，所述部分粒子为一半的粒子或三分之一的粒子。
PCT/CN2017/070894 2016-10-20 2017-01-11 一种基于粒子群优化算法对支持向量机的优化方法 WO2018072351A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610916399.7 2016-10-20
CN201610916399.7A CN106682682A (zh) 2016-10-20 2016-10-20 一种基于粒子群优化算法对支持向量机的优化方法

Publications (1)

Publication Number Publication Date
WO2018072351A1 true WO2018072351A1 (zh) 2018-04-26

Family

ID=58840147

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/070894 WO2018072351A1 (zh) 2016-10-20 2017-01-11 一种基于粒子群优化算法对支持向量机的优化方法

Country Status (2)

Country Link
CN (1) CN106682682A (zh)
WO (1) WO2018072351A1 (zh)

Cited By (238)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763926A (zh) * 2018-06-01 2018-11-06 中国电子技术标准化研究院 一种具有安全免疫能力的工业控制系统入侵检测方法
CN108984946A (zh) * 2018-08-03 2018-12-11 安徽大学 一种基于多目标优化算法的电力网络关键节点识别方法
CN109063242A (zh) * 2018-06-20 2018-12-21 中国人民解放军国防科技大学 一种基于粒子群算法的制导工具误差辨识方法
CN109087367A (zh) * 2018-07-27 2018-12-25 西安航空学院 一种基于粒子群优化的高光谱图像快速压缩感知重构方法
CN109086497A (zh) * 2018-07-16 2018-12-25 中国科学院宁波材料技术与工程研究所 基于粒子群算法的金属与合金势能力场开发方法
CN109146984A (zh) * 2018-08-14 2019-01-04 西安航空学院 一种基于粒子群优化的高光谱图像稀疏分解方法
CN109190270A (zh) * 2018-09-12 2019-01-11 北京化工大学 一种基于apso-bp的双配重盘自动平衡控制方法
CN109238715A (zh) * 2018-10-31 2019-01-18 合肥工业大学 轴承故障信号增强方法及系统
CN109508779A (zh) * 2018-11-09 2019-03-22 重庆化工职业学院 一种市政路灯的节能控制方法
CN109635999A (zh) * 2018-11-06 2019-04-16 华中科技大学 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN109635880A (zh) * 2019-01-08 2019-04-16 浙江大学 基于强鲁棒自适应算法的采煤机故障诊断系统
CN109657274A (zh) * 2018-11-16 2019-04-19 广东省建筑设计研究院 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法
CN109713665A (zh) * 2019-01-12 2019-05-03 湖北鄂电德力电气有限公司 一种适用于配电网多重多相故障的最小碰集算法
CN109726456A (zh) * 2018-12-14 2019-05-07 重庆大学 基于混沌粒子群算法的磁谐振耦合螺旋线圈优化设计方法
CN109766988A (zh) * 2018-09-28 2019-05-17 中国人民解放军空军工程大学 基于混沌蚁狮优化算法的目标分群方法
CN109766562A (zh) * 2018-09-27 2019-05-17 中原工学院 基于遗传算法和粒子群组合算法的摆线轮齿廓修形方法
CN109873810A (zh) * 2019-01-14 2019-06-11 湖北工业大学 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法
CN109921472A (zh) * 2019-03-11 2019-06-21 上海电力学院 基于粒子群优化算法的电力系统等效惯量评估方法
CN109936141A (zh) * 2019-03-28 2019-06-25 广州番禺职业技术学院 一种电力系统经济调度方法及系统
CN110008634A (zh) * 2019-04-19 2019-07-12 华北水利水电大学 一种双二阶广义积分器锁频环的参数确定方法及系统
CN110097119A (zh) * 2019-04-30 2019-08-06 西安理工大学 基于对偶变量扰动的差分隐私保护支持向量机分类器算法
CN110111275A (zh) * 2019-04-29 2019-08-09 武汉工程大学 一种信号降噪的方法、系统及计算机存储介质
CN110110753A (zh) * 2019-04-03 2019-08-09 河南大学 基于精英花授粉算法和ReliefF的有效混合特征选择方法
CN110111001A (zh) * 2019-05-06 2019-08-09 广东工业大学 一种电动汽车充电站的选址规划方法、装置以及设备
CN110175413A (zh) * 2019-05-29 2019-08-27 国网上海市电力公司 基于r2指标多目标粒子群算法的配电网重构方法及装置
CN110210087A (zh) * 2019-05-20 2019-09-06 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN110211638A (zh) * 2019-05-28 2019-09-06 河南师范大学 一种考虑基因相关度的基因选择方法与装置
CN110276140A (zh) * 2019-06-26 2019-09-24 温州大学 对电磁铁响应时间的预测方法
CN110288634A (zh) * 2019-06-05 2019-09-27 成都启泰智联信息科技有限公司 一种基于改进粒子群优化算法的目标跟踪方法
CN110309613A (zh) * 2019-07-09 2019-10-08 大连海事大学 一种基于bim的隧道开挖台阶法的设计及优化方法
CN110308649A (zh) * 2019-07-11 2019-10-08 东南大学 一种基于pso-soa融合算法的pid参数优化方法
CN110309604A (zh) * 2019-07-05 2019-10-08 江苏师范大学 一种机械零件廓形数据预测方法
CN110321638A (zh) * 2019-07-05 2019-10-11 江苏师范大学 一种基于Gilliland关联式的蒸馏塔塔板数获取方法
CN110334026A (zh) * 2019-07-03 2019-10-15 浙江理工大学 基于cs-spso算法的组合测试用例生成方法
CN110348642A (zh) * 2019-07-12 2019-10-18 国网四川省电力公司信息通信公司 一种用于流量预测的支持向量机的优化方法
CN110389902A (zh) * 2019-07-18 2019-10-29 江苏科技大学 基于人工蜂群混合粒子群算法的软件可靠性参数估计方法
CN110516831A (zh) * 2019-06-18 2019-11-29 国网（北京）节能设计研究院有限公司 一种基于mwoa算法优化svm的短期负荷预测方法
CN110598804A (zh) * 2019-10-14 2019-12-20 安徽理工大学 一种基于聚类和膜计算的改进FastSLAM算法
CN110674915A (zh) * 2019-09-18 2020-01-10 东北大学 基于改进粒子群算法的不规则管道缺陷的反演方法
CN110689156A (zh) * 2018-07-04 2020-01-14 新智数字科技有限公司 一种泛能站优化方法及装置
CN110728231A (zh) * 2019-10-10 2020-01-24 华东理工大学 基于改进型粒子群算法和孪生支持向量机的睡眠分期方法
CN110728001A (zh) * 2019-09-29 2020-01-24 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法
CN110738726A (zh) * 2019-09-27 2020-01-31 华南理工大学 一种基于八叉树的机器人视觉引导三维物体重建方法
CN110750756A (zh) * 2019-10-01 2020-02-04 深圳市行健自动化股份有限公司 通过最优支持向量机算法即时在线仪表校验和诊断方法
CN110765706A (zh) * 2019-10-23 2020-02-07 扬州大学 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法
CN110852344A (zh) * 2019-09-27 2020-02-28 武汉船舶职业技术学院 一种基于智能变电站网络故障分类的方法
CN110909856A (zh) * 2019-11-13 2020-03-24 西安工业大学 一种用于机械圆度误差评定的改进果蝇优化方法
CN110942205A (zh) * 2019-12-05 2020-03-31 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
CN110956641A (zh) * 2019-11-20 2020-04-03 南京拓控信息科技股份有限公司 一种基于化学反应优化的列车车轮踏面图像分割方法
CN110955865A (zh) * 2019-10-18 2020-04-03 浙江工业大学 一种基于粒子滤波的数据包络分析dea方法
CN110990940A (zh) * 2019-10-28 2020-04-10 西北工业大学 基于msvr的机翼装配定位布局设计方法
CN111008549A (zh) * 2019-08-07 2020-04-14 青岛碧蓝智能装备科技有限公司 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法
CN111046527A (zh) * 2019-11-18 2020-04-21 山东科技大学 一种基于协同进化粒子群算法的电池等效参数辨识方法
CN111080035A (zh) * 2019-12-31 2020-04-28 芜湖哈特机器人产业技术研究院有限公司 基于改进量子粒子群优化算法的全局路径规划方法
CN111079208A (zh) * 2019-11-20 2020-04-28 杭州电子科技大学 基于粒子群优化算法的cad模型之间面对应关系识别方法
CN111127139A (zh) * 2019-12-06 2020-05-08 成都理工大学 一种基于ProbS与HeatS计算模式改进的混合推荐算法
CN111159857A (zh) * 2019-12-13 2020-05-15 天津大学 一种音速喷嘴管壁二维瞬态温度场重构方法
CN111222284A (zh) * 2019-12-27 2020-06-02 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
CN111242971A (zh) * 2019-12-03 2020-06-05 西安电子科技大学 一种基于改进的双中心粒子群优化算法的目标跟踪方法
CN111259600A (zh) * 2020-01-19 2020-06-09 西北大学 一种提高自动井位优化的优化效率方法
CN111310902A (zh) * 2020-02-24 2020-06-19 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111325238A (zh) * 2020-01-21 2020-06-23 全球能源互联网研究院有限公司 一种相位噪声补偿方法及系统
CN111325308A (zh) * 2020-02-14 2020-06-23 集美大学 一种非线性系统辨识方法
CN111353582A (zh) * 2020-02-19 2020-06-30 四川大学 一种基于粒子群算法的分布式深度学习参数更新方法
CN111368892A (zh) * 2020-02-27 2020-07-03 合肥工业大学 一种广义s变换和svm的电能质量扰动高效识别方法
CN111371607A (zh) * 2020-02-28 2020-07-03 大连大学 一种基于决策灰狼算法优化lstm的网络流量预测方法
CN111383710A (zh) * 2020-03-13 2020-07-07 闽江学院 基于粒子群优化双子支持向量机的基因剪接位点识别模型构建方法
CN111381600A (zh) * 2018-12-28 2020-07-07 陕西师范大学 一种基于粒子群算法的uuv路径规划方法
CN111429419A (zh) * 2020-03-19 2020-07-17 国网陕西省电力公司电力科学研究院 一种基于混合蚁群算法的绝缘子轮廓检测方法
CN111428748A (zh) * 2020-02-20 2020-07-17 重庆大学 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111444649A (zh) * 2020-03-24 2020-07-24 成都理工大学 基于强度折减法的边坡系统可靠度分析方法
CN111462157A (zh) * 2020-03-31 2020-07-28 西安工程大学 一种基于遗传优化阈值法的红外图像分割方法
CN111487995A (zh) * 2020-04-30 2020-08-04 湖南科技大学 基于三维简化虚拟模型的群无人机多目标搜索协作方法
CN111488208A (zh) * 2020-03-22 2020-08-04 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111525547A (zh) * 2020-03-24 2020-08-11 云南电网有限责任公司临沧供电局 一种基于最优无功补偿的低电压智能治理方法
CN111563920A (zh) * 2020-04-15 2020-08-21 西安工程大学 一种全局优化与多约束条件迭代的3d彩色点云配准方法
CN111580145A (zh) * 2020-04-27 2020-08-25 山东大学 一种加速器剂量的动态测量方法
CN111597651A (zh) * 2020-04-30 2020-08-28 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN111627495A (zh) * 2020-06-01 2020-09-04 集美大学 一种种群的种用价值的判断方法
CN111639695A (zh) * 2020-05-26 2020-09-08 温州大学 一种基于改进果蝇优化算法对数据进行分类的方法及系统
CN111679685A (zh) * 2020-06-19 2020-09-18 中国人民解放军国防科技大学 基于无人机总能量飞行控制方法和装置
CN111681258A (zh) * 2020-06-12 2020-09-18 上海应用技术大学 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置
CN111695233A (zh) * 2020-04-20 2020-09-22 安徽博微长安电子有限公司 一种基于改进鲸鱼优化算法的阵元失效校正方法
CN111695290A (zh) * 2020-05-14 2020-09-22 天津大学 一种适用于变化环境下的短期径流智能预报混合模型方法
CN111709494A (zh) * 2020-07-13 2020-09-25 哈尔滨工业大学 一种新型混合优化的图像立体匹配方法
CN111814839A (zh) * 2020-06-17 2020-10-23 合肥工业大学 基于自适应变异的天牛群优化算法的模板匹配方法
CN111815061A (zh) * 2020-07-17 2020-10-23 河北工业大学 一种基于svm解决天车调度过程中任务优先级划分方法
CN111812041A (zh) * 2020-06-29 2020-10-23 重庆邮电大学 一种水体cod便携式测量系统及方法
CN111832507A (zh) * 2020-07-20 2020-10-27 安徽大学 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法
CN111860622A (zh) * 2020-07-03 2020-10-30 北京科技大学 一种应用于编程现场大数据的聚类方法及系统
CN111880140A (zh) * 2020-08-03 2020-11-03 中北大学 基于rssi的无线传感器网络圆弧三角形定位方法
CN111898725A (zh) * 2020-07-07 2020-11-06 西安建筑科技大学 一种空调系统传感器故障检测方法、装置及电子设备
CN111930435A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于pd-bpso技术的任务卸载决策方法
CN111951291A (zh) * 2020-08-13 2020-11-17 哈尔滨商业大学 基于多结构形态学与fodpso混合处理的红外图像边缘检测方法
CN111950615A (zh) * 2020-07-31 2020-11-17 武汉烽火技术服务有限公司 一种基于树种优化算法的网络故障特征选择方法
CN111950622A (zh) * 2020-08-10 2020-11-17 中国平安人寿保险股份有限公司 基于人工智能的行为预测方法、装置、终端及存储介质
CN111985144A (zh) * 2020-09-27 2020-11-24 江西师范大学 一种地学数据多参数协同优化的idw插值方法
CN112017733A (zh) * 2020-08-24 2020-12-01 郑州大学 一种基于粒子群算法的高聚物浆液参数识别方法
CN112016663A (zh) * 2020-08-24 2020-12-01 郑州大学 一种基于群体智能优化算法的高聚物浆液参数识别方法
CN112052933A (zh) * 2020-08-31 2020-12-08 浙江工业大学 基于粒子群优化的深度学习模型的安全性测试方法和修复方法
CN112085059A (zh) * 2020-08-06 2020-12-15 温州大学 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法
CN112101814A (zh) * 2020-09-25 2020-12-18 吴俊江 基于加权的模糊聚类算法的油气工程分类方法和系统
CN112100893A (zh) * 2020-09-25 2020-12-18 西安交通大学 一种用于有限元计算的非连续域的优化方法
CN112116952A (zh) * 2020-08-06 2020-12-22 温州大学 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法
CN112181867A (zh) * 2020-09-29 2021-01-05 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN112183884A (zh) * 2020-10-19 2021-01-05 河南工业大学 一种粮食储藏品质预测方法及装置
CN112199897A (zh) * 2020-11-02 2021-01-08 国网重庆市电力公司电力科学研究院 一种基于粒子群算法改进的gis设备异响振动识别方法
CN112200353A (zh) * 2020-09-30 2021-01-08 重庆师范大学 基于改进量子优化算法的支持向量机天气预测方法
CN112230678A (zh) * 2020-10-29 2021-01-15 皖江工学院 基于粒子群算法的三维无人机路径规划方法及规划系统
CN112257897A (zh) * 2020-09-17 2021-01-22 华北电力大学 基于改进多目标粒子群的电动汽车充电优化方法和系统
CN112308288A (zh) * 2020-09-29 2021-02-02 百维金科(上海)信息科技有限公司 一种基于粒子群优化lssvm的违约用户概率预测方法
CN112328364A (zh) * 2020-11-05 2021-02-05 北京理工大学 一种基于农田肥力算法的计算密集型云工作流调度方法
CN112330164A (zh) * 2020-11-09 2021-02-05 国网电力科学研究院武汉南瑞有限责任公司 基于消息总线的数据质量治理系统及方法
CN112346010A (zh) * 2020-09-28 2021-02-09 中国人民解放军海军航空大学 基于尺度差和时差的双机无源定位方法
CN112446435A (zh) * 2020-12-10 2021-03-05 长春理工大学 一种城市数据分类方法及系统
CN112487816A (zh) * 2020-12-14 2021-03-12 安徽大学 一种基于网络分类的命名实体识别方法
CN112558119A (zh) * 2020-11-30 2021-03-26 中航机载系统共性技术有限公司 一种基于自适应bfo-pso的卫星选择方法
CN112667876A (zh) * 2020-12-24 2021-04-16 湖北第二师范学院 一种基于PSOTVCF-Kmeans算法的意见领袖群识别方法
CN112668247A (zh) * 2021-01-20 2021-04-16 中国建筑土木建设有限公司 一种施工便道厚度最优化设计方法及系统
CN112668446A (zh) * 2020-12-24 2021-04-16 常州大学 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法
CN112668248A (zh) * 2021-01-20 2021-04-16 中国建筑土木建设有限公司 混凝土运输车调度优化计算理论模型的方法及系统
CN112668078A (zh) * 2020-12-24 2021-04-16 青岛理工大学 一种锈蚀钢筋混凝土梁火灾后损伤识别方法
CN112669169A (zh) * 2020-12-15 2021-04-16 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN112765845A (zh) * 2021-01-04 2021-05-07 华东理工大学 一种用于带接管压力容器损伤定位的传感器阵列优化方法
CN112763988A (zh) * 2020-12-24 2021-05-07 西安电子科技大学 基于自适应二进制粒子群遗传算法的混沌序列抗干扰波形设计方法
CN112784811A (zh) * 2021-02-09 2021-05-11 西安科技大学 一种全局最优超声信号去噪方法
CN112800682A (zh) * 2021-02-04 2021-05-14 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
CN112801127A (zh) * 2020-12-09 2021-05-14 西安华谱电力设备制造有限公司 基于振荡波的电缆局部放电缺陷识别方法
CN112862055A (zh) * 2021-02-11 2021-05-28 西北工业大学 一种考虑成群性一致性密集性的集群行为量化分析方法
CN112884368A (zh) * 2021-03-23 2021-06-01 合肥工业大学 面向高端装备交货时间与延迟最小的多目标调度方法及系统
CN112992291A (zh) * 2021-02-04 2021-06-18 中国科学院沈阳自动化研究所 一种高温电工级氧化镁粉配料优化方法
CN113011680A (zh) * 2021-04-16 2021-06-22 西安建筑科技大学 一种电力负荷预测方法及系统
CN113011589A (zh) * 2021-03-29 2021-06-22 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN113034554A (zh) * 2021-02-27 2021-06-25 西北大学 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法
CN113051771A (zh) * 2021-04-09 2021-06-29 中国科学院苏州生物医学工程技术研究所 基于粒子群算法的三重四极杆质谱仪参数优化方法及系统
CN113112130A (zh) * 2021-03-23 2021-07-13 合肥工业大学 高端装备制造过程质量在线监测方法及系统
CN113141317A (zh) * 2021-03-05 2021-07-20 西安电子科技大学 流媒体服务器负载均衡方法、系统、计算机设备、终端
CN113158495A (zh) * 2021-05-21 2021-07-23 华东理工大学 基于粒子群算法的分子筛工艺条件的生成方法和系统
CN113239761A (zh) * 2021-04-29 2021-08-10 广州杰赛科技股份有限公司 人脸识别方法、装置以及存储介质
CN113269426A (zh) * 2021-05-18 2021-08-17 哈尔滨工程大学 一种基于启发式改进粒子群算法的宿舍分配方法
CN113283573A (zh) * 2021-06-25 2021-08-20 江南大学 一种卷积神经网络最优结构自动搜索方法
CN113327322A (zh) * 2021-05-26 2021-08-31 国勘数字地球(北京)科技有限公司 面波频散曲线的反演方法、装置及计算机可读存储介质
CN113353582A (zh) * 2021-07-02 2021-09-07 东北大学 基于音频信息和pso-msvm的传送带托辊设备故障检测方法
CN113376541A (zh) * 2021-06-04 2021-09-10 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113376536A (zh) * 2021-04-22 2021-09-10 安徽锐能科技有限公司 数据驱动型的高精度锂电池soc联合估计方法及系统
CN113393451A (zh) * 2021-06-25 2021-09-14 江南大学 一种基于自动机器学习的缺陷检测方法
CN113407895A (zh) * 2021-06-29 2021-09-17 广东电网有限责任公司 基于模拟退火算法的闪光驱鸟最优频率选择方法及系统
CN113435304A (zh) * 2021-06-23 2021-09-24 西安交通大学 提取扭振信号的扭振信息的方法、系统、设备及存储介质
CN113435101A (zh) * 2021-04-01 2021-09-24 国网内蒙古东部电力有限公司 一种基于粒子群优化的支持向量机停电预测方法
CN113505914A (zh) * 2021-06-17 2021-10-15 广东工业大学 优化svm的注塑机液压系统能耗预测方法、系统和设备
CN113590587A (zh) * 2021-07-30 2021-11-02 湘潭大学 一种基于自适应模拟退火-粒子群-克里金插值算法的离线位置指纹库构建方法
CN113642613A (zh) * 2021-07-23 2021-11-12 温州大学 基于改进樽海鞘群算法的医学疾病特征选择方法
CN113642220A (zh) * 2021-08-26 2021-11-12 江苏科技大学 一种基于rbf与mopso的船舶焊接工艺优化方法
CN113643335A (zh) * 2021-07-13 2021-11-12 西北大学 一种基于edf-de模型的三维图像配准方法及应用
CN113673136A (zh) * 2021-09-06 2021-11-19 长安大学 岩溶隧道顶板安全厚度预测方法、系统及设备
CN113673015A (zh) * 2021-08-10 2021-11-19 石家庄铁道大学 梁柱端板连接节点优化设计智能系统构建及参数识别方法
CN113687190A (zh) * 2021-09-22 2021-11-23 云南民族大学 一种基于sabso算法的含分布式电源配电网故障定位方法
CN113690933A (zh) * 2021-08-06 2021-11-23 合肥工业大学 并网逆变器锁相环参数辨识方法
CN113707216A (zh) * 2021-08-05 2021-11-26 北京科技大学 一种浸润免疫细胞比例计数方法
CN113704949A (zh) * 2020-05-21 2021-11-26 北京机械设备研究所 基于粒子群优化算法建立电动舵机非线性模型的方法
CN113759333A (zh) * 2021-07-14 2021-12-07 中国人民解放军空军预警学院 基于鲸鱼优化算法的风轮机多径回波微动参数估计方法
CN113764047A (zh) * 2020-06-05 2021-12-07 中国石油天然气股份有限公司 一种丙烯聚合质量在线检测系统
CN113761689A (zh) * 2021-09-13 2021-12-07 河北工程大学 一种空气动力发动机多参数耦合优化方法及系统
CN113781002A (zh) * 2021-09-18 2021-12-10 北京航空航天大学 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
CN113806992A (zh) * 2021-07-23 2021-12-17 任长江 一种基于对流-弥散理论的优化方法
CN113807486A (zh) * 2021-08-23 2021-12-17 南京邮电大学 基于改进粒子群算法的多机器人区域覆盖方法
CN113821317A (zh) * 2021-07-02 2021-12-21 华侨大学 一种边云协同的微服务调度方法、装置及设备
CN113848709A (zh) * 2021-09-17 2021-12-28 昌吉学院 一种基于改进量子粒子群算法的锅炉汽包水位控制方法
CN113852909A (zh) * 2021-08-26 2021-12-28 广州杰赛科技股份有限公司 无线网络的节点定位方法、装置、设备及存储介质
CN113869514A (zh) * 2021-09-17 2021-12-31 中林信达（北京）科技信息有限责任公司 一种基于遗传算法的多知识集成与优化方法
CN113873428A (zh) * 2021-08-31 2021-12-31 广州杰赛科技股份有限公司 一种无线网络节点定位方法、装置、设备及介质
CN113887691A (zh) * 2021-08-24 2022-01-04 杭州电子科技大学 面向服务组合问题的鲸鱼进化系统及方法
CN113887692A (zh) * 2021-09-15 2022-01-04 中南大学 一种基于群活性感知的受控微粒群的研究方法
CN113902016A (zh) * 2021-10-11 2022-01-07 大连海事大学 一种船舶机械运行模式的判定方法
CN113916860A (zh) * 2021-11-02 2022-01-11 淮阴工学院 一种基于荧光光谱的农药残留种类识别方法
CN113935132A (zh) * 2021-10-15 2022-01-14 福州大学 基于改进多目标粒子群算法的粘滞阻尼器参数优化方法
CN113951881A (zh) * 2021-08-23 2022-01-21 南方医科大学南方医院 一种远程护理监测系统
CN113987806A (zh) * 2021-10-29 2022-01-28 吉林大学 一种基于代理模型的大气模式优化方法
CN113988125A (zh) * 2021-10-25 2022-01-28 西安交通大学 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法
CN113988713A (zh) * 2021-11-25 2022-01-28 江苏科技大学 基于gna-xalo-svm的柴油机装配质量异常模式识别方法
CN114019985A (zh) * 2021-12-20 2022-02-08 中国海洋大学 基于分数阶pid和粒子群算法的无人船舵向控制设计方法
CN114065594A (zh) * 2021-11-30 2022-02-18 西安交通大学 基于神经网络模型的gis用单支柱绝缘子电气性能优化方法
CN114090967A (zh) * 2021-10-25 2022-02-25 广州大学 一种基于pso-msvm的apt组织追踪溯源方法及系统
CN114118130A (zh) * 2021-09-28 2022-03-01 西安交通大学 一种变压器局部放电模式识别方法、系统、介质及设备
CN114200960A (zh) * 2021-12-02 2022-03-18 杭州电子科技大学 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
CN114244720A (zh) * 2021-12-17 2022-03-25 湘潭大学 一种sdn环境下基于改进粒子群算法的多控制器部署方法
CN114239412A (zh) * 2021-12-21 2022-03-25 许昌许继风电科技有限公司 一种混合多类算法的复杂地形风电机组位置处实时风速计算方法及系统
CN114422952A (zh) * 2022-01-29 2022-04-29 南京邮电大学 基于改进lssvr的室内指纹定位方法
CN114415510A (zh) * 2022-01-17 2022-04-29 江西理工大学 磁悬浮列车速度跟踪方法
CN114459501A (zh) * 2021-12-10 2022-05-10 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种惯导安装误差自动标定方法及装置
CN114528907A (zh) * 2021-12-31 2022-05-24 北京交通大学 工业异常数据检测方法及装置
CN114547954A (zh) * 2020-11-24 2022-05-27 中国移动通信集团浙江有限公司 物流配送中心选址方法、装置、计算机设备
CN114580306A (zh) * 2022-04-24 2022-06-03 锦浪科技股份有限公司 一种基于改进pso算法的反激式变压器设计方法
CN114599004A (zh) * 2022-01-28 2022-06-07 北京邮电大学 一种基站布局方法和装置
CN114611572A (zh) * 2022-01-28 2022-06-10 北京工商大学 基于改进rbf神经网络的数据分级存储算法
CN114665971A (zh) * 2022-03-21 2022-06-24 北京理工大学 一种用于提高通信容量的多模式叠加光束的产生方法
CN114740873A (zh) * 2022-04-13 2022-07-12 青岛科技大学 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法
CN114757084A (zh) * 2022-04-07 2022-07-15 西北工业大学 一种宽带卫星通信系统动态波束跳变方法
CN114792071A (zh) * 2022-05-18 2022-07-26 西安理工大学 基于机器学习技术的排水泵站优化调度方法
CN114899844A (zh) * 2022-06-13 2022-08-12 华能国际电力股份有限公司德州电厂 一种小扰动火电机组一次调频控制系统
CN114896736A (zh) * 2022-05-27 2022-08-12 太原理工大学 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统
CN114936577A (zh) * 2022-05-23 2022-08-23 大连大学 一种基于改进狮群算法的混合图像盲分离方法
CN114947825A (zh) * 2022-04-29 2022-08-30 吉林大学 基于psogwo-svm的下肢假肢连续运动识别方法
CN115021816A (zh) * 2022-07-04 2022-09-06 吉林大学 基于改进的樽海鞘群算法的可见光通信系统功率分配方法
CN115081325A (zh) * 2022-06-21 2022-09-20 桂林电子科技大学 基于粒子群与遗传混合算法的透镜天线多目标优化方法
CN115130400A (zh) * 2022-05-31 2022-09-30 福州大学 连续微流控生物芯片控制模式分配方法
CN115146389A (zh) * 2022-07-19 2022-10-04 江西理工大学 一种永磁磁浮列车动力学特征建模方法
CN115208703A (zh) * 2022-09-16 2022-10-18 北京安帝科技有限公司 分片并行化机制的工控设备入侵检测方法和系统
CN115375204A (zh) * 2022-10-25 2022-11-22 中国人民解放军陆军装甲兵学院 一种车载智能微电网性能评估方法
CN115640918A (zh) * 2022-12-26 2023-01-24 电子科技大学中山学院 电缆温度异常预测方法、装置、介质及设备
CN115696354A (zh) * 2022-10-26 2023-02-03 金陵科技学院 基于改进粒子群的高铁移动通信系统网络覆盖方法
CN115865762A (zh) * 2023-03-03 2023-03-28 上海人工智能网络系统工程技术研究中心有限公司 基于sdn架构的空间信息网络流量预测方法及调度系统
CN115876229A (zh) * 2022-10-14 2023-03-31 哈尔滨理工大学 基于粒子群的新型编码器角度过零跳点抑制方法及装置
CN116070151A (zh) * 2023-03-17 2023-05-05 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法
CN116152316A (zh) * 2023-04-17 2023-05-23 山东省工业技术研究院 一种基于自适应参数粒子群算法的图像配准方法
CN116307533A (zh) * 2023-02-21 2023-06-23 珠江水利委员会珠江水利科学研究院 水库群防洪调度智能化方法、系统及介质
CN116307021A (zh) * 2022-10-08 2023-06-23 中国大唐集团科学技术研究总院有限公司 一种新能源制氢系统的多目标能量管理方法
CN116341390A (zh) * 2023-05-11 2023-06-27 西安现代控制技术研究所 一种全局搜索快速收敛多约束弹道优化方法
CN116543848A (zh) * 2023-07-05 2023-08-04 潍坊学院 基于平行因子和粒子群优化算法的混合物组分定量方法
CN116562331A (zh) * 2023-05-19 2023-08-08 石家庄铁道大学 一种改进爬行动物搜索算法优化svm的方法及其应用
CN116756469A (zh) * 2023-08-22 2023-09-15 中之力搏建设工程有限公司 一种户外照明灯具优化管理系统
CN116822567A (zh) * 2023-08-28 2023-09-29 山东省科学院海洋仪器仪表研究所 一种蒸发波导预测模型参数的优化方法
CN116825117A (zh) * 2023-04-06 2023-09-29 浙江大学 一种具有隐私保护功能的麦克风及其隐私保护方法
CN116882279A (zh) * 2023-07-07 2023-10-13 西南科技大学 针对电源的实验设计优化方法及装置
CN117033965A (zh) * 2023-08-11 2023-11-10 湖北工业大学 生物疫苗数据特征选择方法、装置、设备及介质
CN117113795A (zh) * 2023-10-23 2023-11-24 之江实验室 一种优化磁约束带电粒子成像系统参数的方法
CN117114144A (zh) * 2023-10-24 2023-11-24 青岛农业大学 基于人工智能的水稻耐盐碱性能预测方法及系统
CN117196418A (zh) * 2023-11-08 2023-12-08 江西师范大学 一种基于人工智能的阅读教学质量评估方法及系统
CN117198418A (zh) * 2023-11-07 2023-12-08 威海百合生物技术股份有限公司 一种多糖提取工艺参数优化方法及系统
CN117407775A (zh) * 2023-09-15 2024-01-16 三峡大学 基于ingo-svm的输电铁塔地脚螺栓螺母缺失无损检测方法
CN114169098B (zh) * 2021-12-07 2024-01-19 西安交通大学 基于捕食者策略和粒子群算法的先进安注箱参数优化方法
CN117439190A (zh) * 2023-10-26 2024-01-23 华中科技大学 一种水火风系统调度方法、装置、设备及存储介质
CN117574255A (zh) * 2023-12-15 2024-02-20 昆明理工大学 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法
CN117584136A (zh) * 2024-01-18 2024-02-23 泰山学院 基于人工智能的机器人故障检测方法及系统
CN117725685A (zh) * 2024-02-05 2024-03-19 中汽研汽车检验中心（天津）有限公司 一种车辆操控性多目标优化方法和设备
CN117755150A (zh) * 2023-11-28 2024-03-26 北京潞电电力建设有限公司 一种基于机器学习的快速充电方法
CN117911197A (zh) * 2024-03-20 2024-04-19 国网江西省电力有限公司电力科学研究院 基于改进多目标粒子群算法的光伏选址定容方法及系统
CN117725685B (zh) * 2024-02-05 2024-05-31 中汽研汽车检验中心（天津）有限公司 一种车辆操控性多目标优化方法和设备

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103357A (zh) * 2017-05-23 2017-08-29 沈阳航空航天大学 一种新型的蒲公英算法
CN107247844B (zh) * 2017-06-10 2020-11-03 福州大学 基于自适应PSO和混合转换策略的X结构Steiner最小树布线方法
CN108363838B (zh) * 2018-01-18 2021-10-08 上海电力学院 基于atpso-svm模型的静电除尘器中温度效应预测方法
CN110096927A (zh) * 2018-01-30 2019-08-06 西安交通大学 基于粒子群优化支持向量机的接触器诊断方法及诊断系统
CN108364030B (zh) * 2018-03-20 2019-08-20 东北大学 一种基于三层动态粒子群算法的多分类器模型构建方法
CN108615069A (zh) * 2018-03-25 2018-10-02 哈尔滨工程大学 一种基于改进的具有适应性的量子粒子群算法的优化计算方法
CN108539571B (zh) * 2018-04-08 2020-05-26 上海交通大学 一种涵盖多状态脉冲识别的快速自动锁模方法
CN108594290B (zh) * 2018-05-02 2021-09-10 成都理工大学 一种谱线修正方法
CN108629155A (zh) * 2018-05-14 2018-10-09 浙江大学 一种参数最优的白血病癌细胞检测仪
CN109150873A (zh) * 2018-08-16 2019-01-04 武汉虹旭信息技术有限责任公司 基于pso_svm优化算法的恶意域名检测系统及方法
CN109739959B (zh) * 2018-11-30 2021-02-26 东软集团股份有限公司 在话题关联计算中使用的方法及装置
CN110070458A (zh) * 2019-03-15 2019-07-30 福建商学院 制造动态排程的方法
CN110390419A (zh) * 2019-05-20 2019-10-29 重庆大学 基于pso-lssvm模型的高速公路收费站流量预测方法
CN111047102B (zh) * 2019-12-18 2023-05-30 江南大学 基于精英驱动粒子群算法的快递配送路线优化方法
CN111210075B (zh) * 2020-01-07 2023-05-12 国网辽宁省电力有限公司朝阳供电公司 一种基于组合分类器的雷击输电线路故障概率分析方法
CN111275078B (zh) * 2020-01-13 2023-07-25 南京航空航天大学 一种用于零件图像识别的支持向量机的优化方法
CN111643321B (zh) * 2020-04-30 2023-05-12 北京精密机电控制设备研究所 基于sEMG信号的外骨骼关节角度预测方法及系统
CN111709584B (zh) * 2020-06-18 2023-10-31 中国人民解放军空军研究院战略预警研究所 一种基于人工蜂群算法的雷达组网优化部署方法
CN111736618B (zh) * 2020-06-28 2021-08-10 清华大学 一种无人摩托转向控制参数整定方法和装置
CN111717217B (zh) * 2020-06-30 2022-11-08 重庆大学 一种基于概率修正的驾驶员意图识别方法
CN111950604B (zh) * 2020-07-27 2024-05-14 江苏大学 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法
CN112365117A (zh) * 2020-09-03 2021-02-12 中交西安筑路机械有限公司 一种基于优化支持向量机的路面结构性能计算方法
CN112308229B (zh) * 2020-11-26 2023-11-24 西安邮电大学 基于自组织映射的动态多目标演化优化方法
CN113570555B (zh) * 2021-07-07 2024-02-09 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN113759722B (zh) * 2021-09-13 2024-03-29 桂林电子科技大学 一种无人机自抗扰控制器参数优化方法
CN115222007B (zh) * 2022-05-31 2023-06-20 复旦大学 面向胶质瘤多任务一体化网络的改进粒子群参数优化方法
CN115412671B (zh) * 2022-08-29 2023-04-07 特斯联科技集团有限公司 一种监视移动物体的摄像机快门人工智能调整方法及系统
CN115880572A (zh) * 2022-12-19 2023-03-31 江苏海洋大学 一种基于异步学习因子的前视声呐目标识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100229131A1 (en) * 2009-03-05 2010-09-09 International Business Machines Corporation Swarm intelligence for electrical design space modeling and optimization
CN105159096A (zh) * 2015-10-10 2015-12-16 北京邮电大学 一种基于粒子群算法的冗余度空间机械臂关节力矩优化方法
CN105319071A (zh) * 2015-09-21 2016-02-10 天津大学 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法
CN105574231A (zh) * 2015-11-27 2016-05-11 上海交通大学 一种蓄电池剩余容量检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100229131A1 (en) * 2009-03-05 2010-09-09 International Business Machines Corporation Swarm intelligence for electrical design space modeling and optimization
CN105319071A (zh) * 2015-09-21 2016-02-10 天津大学 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法
CN105159096A (zh) * 2015-10-10 2015-12-16 北京邮电大学 一种基于粒子群算法的冗余度空间机械臂关节力矩优化方法
CN105574231A (zh) * 2015-11-27 2016-05-11 上海交通大学 一种蓄电池剩余容量检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI, HONGJIANG ET AL.: "Wind Speed and Wind Power Prediction Based on Self-adaptive PSO-SVR", YUNNAN ELECTRIC POWER, vol. 41, no. 3, 15 June 2013 (2013-06-15), pages 46 - 49, ISSN: 1006-7345 *
LU , XIANGHUA ET AL.: "Fault Diagnosis of Ventilator Based on SVM Optimized by Improved PS", COAL MINE MACHINERY, vol. 36, no. 2, 15 February 2015 (2015-02-15), pages 278 - 281, ISSN: 1003-0794 *

Cited By (398)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763926A (zh) * 2018-06-01 2018-11-06 中国电子技术标准化研究院 一种具有安全免疫能力的工业控制系统入侵检测方法
CN108763926B (zh) * 2018-06-01 2021-11-12 中国电子技术标准化研究院 一种具有安全免疫能力的工业控制系统入侵检测方法
CN109063242A (zh) * 2018-06-20 2018-12-21 中国人民解放军国防科技大学 一种基于粒子群算法的制导工具误差辨识方法
CN109063242B (zh) * 2018-06-20 2022-11-11 中国人民解放军国防科技大学 一种基于粒子群算法的制导工具误差辨识方法
CN110689156B (zh) * 2018-07-04 2023-03-07 新智数字科技有限公司 一种泛能站优化方法及装置
CN110689156A (zh) * 2018-07-04 2020-01-14 新智数字科技有限公司 一种泛能站优化方法及装置
CN109086497A (zh) * 2018-07-16 2018-12-25 中国科学院宁波材料技术与工程研究所 基于粒子群算法的金属与合金势能力场开发方法
CN109087367A (zh) * 2018-07-27 2018-12-25 西安航空学院 一种基于粒子群优化的高光谱图像快速压缩感知重构方法
CN109087367B (zh) * 2018-07-27 2022-09-27 西安航空学院 一种基于粒子群优化的高光谱图像快速压缩感知重构方法
CN108984946A (zh) * 2018-08-03 2018-12-11 安徽大学 一种基于多目标优化算法的电力网络关键节点识别方法
CN108984946B (zh) * 2018-08-03 2023-03-10 安徽大学 一种基于多目标优化算法的电力网络关键节点识别方法
CN109146984A (zh) * 2018-08-14 2019-01-04 西安航空学院 一种基于粒子群优化的高光谱图像稀疏分解方法
CN109146984B (zh) * 2018-08-14 2022-11-22 西安航空学院 一种基于粒子群优化的高光谱图像稀疏分解方法
CN109190270B (zh) * 2018-09-12 2022-12-27 北京化工大学 一种基于apso-bp的双配重盘自动平衡控制方法
CN109190270A (zh) * 2018-09-12 2019-01-11 北京化工大学 一种基于apso-bp的双配重盘自动平衡控制方法
CN109766562A (zh) * 2018-09-27 2019-05-17 中原工学院 基于遗传算法和粒子群组合算法的摆线轮齿廓修形方法
CN109766562B (zh) * 2018-09-27 2023-04-07 中原工学院 基于遗传算法和粒子群组合算法的摆线轮齿廓修形方法
CN109766988A (zh) * 2018-09-28 2019-05-17 中国人民解放军空军工程大学 基于混沌蚁狮优化算法的目标分群方法
CN109238715B (zh) * 2018-10-31 2024-01-26 合肥工业大学 轴承故障信号增强方法及系统
CN109238715A (zh) * 2018-10-31 2019-01-18 合肥工业大学 轴承故障信号增强方法及系统
CN109635999A (zh) * 2018-11-06 2019-04-16 华中科技大学 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN109635999B (zh) * 2018-11-06 2023-06-20 华中科技大学 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN109508779A (zh) * 2018-11-09 2019-03-22 重庆化工职业学院 一种市政路灯的节能控制方法
CN109508779B (zh) * 2018-11-09 2023-10-13 重庆化工职业学院 一种市政路灯的节能控制方法
CN109657274A (zh) * 2018-11-16 2019-04-19 广东省建筑设计研究院 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法
CN109657274B (zh) * 2018-11-16 2023-08-29 广东省建筑设计研究院 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法
CN109726456A (zh) * 2018-12-14 2019-05-07 重庆大学 基于混沌粒子群算法的磁谐振耦合螺旋线圈优化设计方法
CN111381600A (zh) * 2018-12-28 2020-07-07 陕西师范大学 一种基于粒子群算法的uuv路径规划方法
CN109635880B (zh) * 2019-01-08 2023-06-27 浙江大学 基于强鲁棒自适应算法的采煤机故障诊断系统
CN109635880A (zh) * 2019-01-08 2019-04-16 浙江大学 基于强鲁棒自适应算法的采煤机故障诊断系统
CN109713665B (zh) * 2019-01-12 2023-06-23 湖北鄂电德力电气有限公司 一种适用于配电网多重多相故障的最小碰集算法
CN109713665A (zh) * 2019-01-12 2019-05-03 湖北鄂电德力电气有限公司 一种适用于配电网多重多相故障的最小碰集算法
CN109873810A (zh) * 2019-01-14 2019-06-11 湖北工业大学 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法
CN109873810B (zh) * 2019-01-14 2022-07-19 湖北工业大学 一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法
CN109921472B (zh) * 2019-03-11 2022-11-04 上海电力学院 基于粒子群优化算法的电力系统等效惯量评估方法
CN109921472A (zh) * 2019-03-11 2019-06-21 上海电力学院 基于粒子群优化算法的电力系统等效惯量评估方法
CN109936141A (zh) * 2019-03-28 2019-06-25 广州番禺职业技术学院 一种电力系统经济调度方法及系统
CN110110753A (zh) * 2019-04-03 2019-08-09 河南大学 基于精英花授粉算法和ReliefF的有效混合特征选择方法
CN110110753B (zh) * 2019-04-03 2023-08-25 河南大学 基于精英花授粉算法和ReliefF的有效混合特征选择方法
CN110008634A (zh) * 2019-04-19 2019-07-12 华北水利水电大学 一种双二阶广义积分器锁频环的参数确定方法及系统
CN110008634B (zh) * 2019-04-19 2023-04-18 华北水利水电大学 一种双二阶广义积分器锁频环的参数确定方法及系统
CN110111275B (zh) * 2019-04-29 2022-11-29 武汉工程大学 一种信号降噪的方法、系统及计算机存储介质
CN110111275A (zh) * 2019-04-29 2019-08-09 武汉工程大学 一种信号降噪的方法、系统及计算机存储介质
CN110097119A (zh) * 2019-04-30 2019-08-06 西安理工大学 基于对偶变量扰动的差分隐私保护支持向量机分类器算法
CN110111001B (zh) * 2019-05-06 2023-07-28 广东工业大学 一种电动汽车充电站的选址规划方法、装置以及设备
CN110111001A (zh) * 2019-05-06 2019-08-09 广东工业大学 一种电动汽车充电站的选址规划方法、装置以及设备
CN110210087A (zh) * 2019-05-20 2019-09-06 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN110210087B (zh) * 2019-05-20 2022-11-11 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN110211638B (zh) * 2019-05-28 2023-03-24 河南师范大学 一种考虑基因相关度的基因选择方法与装置
CN110211638A (zh) * 2019-05-28 2019-09-06 河南师范大学 一种考虑基因相关度的基因选择方法与装置
CN110175413A (zh) * 2019-05-29 2019-08-27 国网上海市电力公司 基于r2指标多目标粒子群算法的配电网重构方法及装置
CN110175413B (zh) * 2019-05-29 2024-01-19 国网上海市电力公司 基于r2指标多目标粒子群算法的配电网重构方法及装置
CN110288634A (zh) * 2019-06-05 2019-09-27 成都启泰智联信息科技有限公司 一种基于改进粒子群优化算法的目标跟踪方法
CN110516831A (zh) * 2019-06-18 2019-11-29 国网（北京）节能设计研究院有限公司 一种基于mwoa算法优化svm的短期负荷预测方法
CN110276140B (zh) * 2019-06-26 2023-01-06 温州大学 对电磁铁响应时间的预测方法
CN110276140A (zh) * 2019-06-26 2019-09-24 温州大学 对电磁铁响应时间的预测方法
CN110334026B (zh) * 2019-07-03 2023-03-24 浙江理工大学 基于cs-spso算法的组合测试用例生成方法
CN110334026A (zh) * 2019-07-03 2019-10-15 浙江理工大学 基于cs-spso算法的组合测试用例生成方法
CN110309604A (zh) * 2019-07-05 2019-10-08 江苏师范大学 一种机械零件廓形数据预测方法
CN110321638A (zh) * 2019-07-05 2019-10-11 江苏师范大学 一种基于Gilliland关联式的蒸馏塔塔板数获取方法
CN110309613B (zh) * 2019-07-09 2022-10-04 大连海事大学 一种基于bim的隧道开挖台阶法的设计及优化方法
CN110309613A (zh) * 2019-07-09 2019-10-08 大连海事大学 一种基于bim的隧道开挖台阶法的设计及优化方法
CN110308649B (zh) * 2019-07-11 2022-10-14 东南大学 应用于工业过程控制的基于pso-soa融合算法的pid参数优化方法
CN110308649A (zh) * 2019-07-11 2019-10-08 东南大学 一种基于pso-soa融合算法的pid参数优化方法
CN110348642A (zh) * 2019-07-12 2019-10-18 国网四川省电力公司信息通信公司 一种用于流量预测的支持向量机的优化方法
CN110389902A (zh) * 2019-07-18 2019-10-29 江苏科技大学 基于人工蜂群混合粒子群算法的软件可靠性参数估计方法
CN111008549A (zh) * 2019-08-07 2020-04-14 青岛碧蓝智能装备科技有限公司 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法
CN111008549B (zh) * 2019-08-07 2024-01-26 哈尔滨工程大学 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法
CN110674915B (zh) * 2019-09-18 2022-11-25 东北大学 基于改进粒子群算法的不规则管道缺陷的反演方法
CN110674915A (zh) * 2019-09-18 2020-01-10 东北大学 基于改进粒子群算法的不规则管道缺陷的反演方法
CN110852344A (zh) * 2019-09-27 2020-02-28 武汉船舶职业技术学院 一种基于智能变电站网络故障分类的方法
CN110738726A (zh) * 2019-09-27 2020-01-31 华南理工大学 一种基于八叉树的机器人视觉引导三维物体重建方法
CN110738726B (zh) * 2019-09-27 2023-04-18 华南理工大学 一种基于八叉树的机器人视觉引导三维物体重建方法
CN110728001A (zh) * 2019-09-29 2020-01-24 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法
CN110728001B (zh) * 2019-09-29 2023-08-04 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法
CN110750756A (zh) * 2019-10-01 2020-02-04 深圳市行健自动化股份有限公司 通过最优支持向量机算法即时在线仪表校验和诊断方法
CN110750756B (zh) * 2019-10-01 2023-06-20 深圳市行健自动化股份有限公司 通过最优支持向量机算法即时在线仪表校验和诊断方法
CN110728231A (zh) * 2019-10-10 2020-01-24 华东理工大学 基于改进型粒子群算法和孪生支持向量机的睡眠分期方法
CN110728231B (zh) * 2019-10-10 2023-03-28 华东理工大学 基于改进型粒子群算法和孪生支持向量机的睡眠分期方法
CN110598804A (zh) * 2019-10-14 2019-12-20 安徽理工大学 一种基于聚类和膜计算的改进FastSLAM算法
CN110598804B (zh) * 2019-10-14 2023-05-09 安徽理工大学 一种基于聚类和膜计算的改进FastSLAM方法
CN110955865B (zh) * 2019-10-18 2023-12-29 浙江工业大学 一种基于粒子滤波的数据包络分析dea方法
CN110955865A (zh) * 2019-10-18 2020-04-03 浙江工业大学 一种基于粒子滤波的数据包络分析dea方法
CN110765706A (zh) * 2019-10-23 2020-02-07 扬州大学 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法
CN110765706B (zh) * 2019-10-23 2024-03-01 扬州大学 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法
CN110990940A (zh) * 2019-10-28 2020-04-10 西北工业大学 基于msvr的机翼装配定位布局设计方法
CN110990940B (zh) * 2019-10-28 2023-03-24 西北工业大学 基于msvr的机翼装配定位布局设计方法
CN110909856A (zh) * 2019-11-13 2020-03-24 西安工业大学 一种用于机械圆度误差评定的改进果蝇优化方法
CN111046527A (zh) * 2019-11-18 2020-04-21 山东科技大学 一种基于协同进化粒子群算法的电池等效参数辨识方法
CN111079208A (zh) * 2019-11-20 2020-04-28 杭州电子科技大学 基于粒子群优化算法的cad模型之间面对应关系识别方法
CN111079208B (zh) * 2019-11-20 2024-01-23 杭州电子科技大学 基于粒子群算法的cad模型之间面对应关系识别方法
CN110956641A (zh) * 2019-11-20 2020-04-03 南京拓控信息科技股份有限公司 一种基于化学反应优化的列车车轮踏面图像分割方法
CN111242971A (zh) * 2019-12-03 2020-06-05 西安电子科技大学 一种基于改进的双中心粒子群优化算法的目标跟踪方法
CN111242971B (zh) * 2019-12-03 2023-05-02 西安电子科技大学 一种基于改进的双中心粒子群优化算法的目标跟踪方法
CN110942205B (zh) * 2019-12-05 2022-12-06 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
CN110942205A (zh) * 2019-12-05 2020-03-31 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
CN111127139A (zh) * 2019-12-06 2020-05-08 成都理工大学 一种基于ProbS与HeatS计算模式改进的混合推荐算法
CN111159857A (zh) * 2019-12-13 2020-05-15 天津大学 一种音速喷嘴管壁二维瞬态温度场重构方法
CN111159857B (zh) * 2019-12-13 2024-02-13 天津大学 一种音速喷嘴管壁二维瞬态温度场重构方法
CN111222284A (zh) * 2019-12-27 2020-06-02 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
CN111222284B (zh) * 2019-12-27 2023-05-26 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
CN111080035A (zh) * 2019-12-31 2020-04-28 芜湖哈特机器人产业技术研究院有限公司 基于改进量子粒子群优化算法的全局路径规划方法
CN111259600B (zh) * 2020-01-19 2023-07-28 西北大学 一种提高自动井位优化的优化效率方法
CN111259600A (zh) * 2020-01-19 2020-06-09 西北大学 一种提高自动井位优化的优化效率方法
CN111325238A (zh) * 2020-01-21 2020-06-23 全球能源互联网研究院有限公司 一种相位噪声补偿方法及系统
CN111325238B (zh) * 2020-01-21 2023-06-09 全球能源互联网研究院有限公司 一种相位噪声补偿方法及系统
CN111325308A (zh) * 2020-02-14 2020-06-23 集美大学 一种非线性系统辨识方法
CN111325308B (zh) * 2020-02-14 2023-03-28 集美大学 一种非线性系统辨识方法
CN111353582A (zh) * 2020-02-19 2020-06-30 四川大学 一种基于粒子群算法的分布式深度学习参数更新方法
CN111428748A (zh) * 2020-02-20 2020-07-17 重庆大学 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111310902A (zh) * 2020-02-24 2020-06-19 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111310902B (zh) * 2020-02-24 2023-09-29 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111368892B (zh) * 2020-02-27 2024-01-30 合肥工业大学 一种广义s变换和svm的电能质量扰动高效识别方法
CN111368892A (zh) * 2020-02-27 2020-07-03 合肥工业大学 一种广义s变换和svm的电能质量扰动高效识别方法
CN111371607A (zh) * 2020-02-28 2020-07-03 大连大学 一种基于决策灰狼算法优化lstm的网络流量预测方法
CN111371607B (zh) * 2020-02-28 2022-09-16 大连大学 一种基于决策灰狼算法优化lstm的网络流量预测方法
CN111383710A (zh) * 2020-03-13 2020-07-07 闽江学院 基于粒子群优化双子支持向量机的基因剪接位点识别模型构建方法
CN111429419A (zh) * 2020-03-19 2020-07-17 国网陕西省电力公司电力科学研究院 一种基于混合蚁群算法的绝缘子轮廓检测方法
CN111429419B (zh) * 2020-03-19 2023-04-07 国网陕西省电力公司电力科学研究院 一种基于混合蚁群算法的绝缘子轮廓检测方法
CN111488208B (zh) * 2020-03-22 2023-10-31 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111488208A (zh) * 2020-03-22 2020-08-04 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111525547A (zh) * 2020-03-24 2020-08-11 云南电网有限责任公司临沧供电局 一种基于最优无功补偿的低电压智能治理方法
CN111525547B (zh) * 2020-03-24 2023-06-16 云南电网有限责任公司临沧供电局 一种基于最优无功补偿的低电压智能治理方法
CN111444649B (zh) * 2020-03-24 2022-10-18 成都理工大学 基于强度折减法的边坡系统可靠度分析方法
CN111444649A (zh) * 2020-03-24 2020-07-24 成都理工大学 基于强度折减法的边坡系统可靠度分析方法
CN111462157A (zh) * 2020-03-31 2020-07-28 西安工程大学 一种基于遗传优化阈值法的红外图像分割方法
CN111462157B (zh) * 2020-03-31 2023-04-07 西安工程大学 一种基于遗传优化阈值法的红外图像分割方法
CN111563920A (zh) * 2020-04-15 2020-08-21 西安工程大学 一种全局优化与多约束条件迭代的3d彩色点云配准方法
CN111563920B (zh) * 2020-04-15 2023-04-07 西安工程大学 一种全局优化与多约束条件迭代的3d彩色点云配准方法
CN111695233A (zh) * 2020-04-20 2020-09-22 安徽博微长安电子有限公司 一种基于改进鲸鱼优化算法的阵元失效校正方法
CN111695233B (zh) * 2020-04-20 2023-03-28 安徽博微长安电子有限公司 一种基于改进鲸鱼优化算法的阵元失效校正方法
CN111580145B (zh) * 2020-04-27 2022-07-22 山东大学 一种加速器剂量的动态测量方法
CN111580145A (zh) * 2020-04-27 2020-08-25 山东大学 一种加速器剂量的动态测量方法
CN111597651B (zh) * 2020-04-30 2023-05-02 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN111487995A (zh) * 2020-04-30 2020-08-04 湖南科技大学 基于三维简化虚拟模型的群无人机多目标搜索协作方法
CN111597651A (zh) * 2020-04-30 2020-08-28 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN111695290B (zh) * 2020-05-14 2024-04-09 天津大学 一种适用于变化环境下的短期径流智能预报混合模型方法
CN111695290A (zh) * 2020-05-14 2020-09-22 天津大学 一种适用于变化环境下的短期径流智能预报混合模型方法
CN113704949B (zh) * 2020-05-21 2023-10-13 北京机械设备研究所 基于粒子群优化算法建立电动舵机非线性模型的方法
CN113704949A (zh) * 2020-05-21 2021-11-26 北京机械设备研究所 基于粒子群优化算法建立电动舵机非线性模型的方法
CN111639695A (zh) * 2020-05-26 2020-09-08 温州大学 一种基于改进果蝇优化算法对数据进行分类的方法及系统
CN111639695B (zh) * 2020-05-26 2024-02-20 温州大学 一种基于改进果蝇优化算法对数据进行分类的方法及系统
CN111627495A (zh) * 2020-06-01 2020-09-04 集美大学 一种种群的种用价值的判断方法
CN111627495B (zh) * 2020-06-01 2023-03-14 集美大学 一种种群的种用价值的判断方法
CN113764047A (zh) * 2020-06-05 2021-12-07 中国石油天然气股份有限公司 一种丙烯聚合质量在线检测系统
CN111681258A (zh) * 2020-06-12 2020-09-18 上海应用技术大学 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置
CN111814839B (zh) * 2020-06-17 2023-09-01 合肥工业大学 基于自适应变异的天牛群优化算法的模板匹配方法
CN111814839A (zh) * 2020-06-17 2020-10-23 合肥工业大学 基于自适应变异的天牛群优化算法的模板匹配方法
CN111679685B (zh) * 2020-06-19 2023-04-07 中国人民解放军国防科技大学 基于无人机总能量飞行控制方法和装置
CN111679685A (zh) * 2020-06-19 2020-09-18 中国人民解放军国防科技大学 基于无人机总能量飞行控制方法和装置
CN111812041A (zh) * 2020-06-29 2020-10-23 重庆邮电大学 一种水体cod便携式测量系统及方法
CN111860622B (zh) * 2020-07-03 2023-12-22 北京科技大学 一种应用于编程现场大数据的聚类方法及系统
CN111860622A (zh) * 2020-07-03 2020-10-30 北京科技大学 一种应用于编程现场大数据的聚类方法及系统
CN111898725A (zh) * 2020-07-07 2020-11-06 西安建筑科技大学 一种空调系统传感器故障检测方法、装置及电子设备
CN111709494A (zh) * 2020-07-13 2020-09-25 哈尔滨工业大学 一种新型混合优化的图像立体匹配方法
CN111709494B (zh) * 2020-07-13 2023-05-26 哈尔滨工业大学 一种新型混合优化的图像立体匹配方法
CN111930435B (zh) * 2020-07-13 2023-04-28 兰州理工大学 一种基于pd-bpso技术的任务卸载决策方法
CN111930435A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于pd-bpso技术的任务卸载决策方法
CN111815061A (zh) * 2020-07-17 2020-10-23 河北工业大学 一种基于svm解决天车调度过程中任务优先级划分方法
CN111815061B (zh) * 2020-07-17 2023-07-11 河北工业大学 一种基于svm解决天车调度过程中任务优先级划分方法
CN111832507B (zh) * 2020-07-20 2024-04-09 安徽大学 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法
CN111832507A (zh) * 2020-07-20 2020-10-27 安徽大学 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法
CN111950615A (zh) * 2020-07-31 2020-11-17 武汉烽火技术服务有限公司 一种基于树种优化算法的网络故障特征选择方法
CN111950615B (zh) * 2020-07-31 2023-12-05 武汉烽火技术服务有限公司 一种基于树种优化算法的网络故障特征选择方法
CN111880140A (zh) * 2020-08-03 2020-11-03 中北大学 基于rssi的无线传感器网络圆弧三角形定位方法
CN112085059B (zh) * 2020-08-06 2023-10-20 温州大学 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法
CN112116952A (zh) * 2020-08-06 2020-12-22 温州大学 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法
CN112116952B (zh) * 2020-08-06 2024-02-09 温州大学 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法
CN112085059A (zh) * 2020-08-06 2020-12-15 温州大学 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法
CN111950622B (zh) * 2020-08-10 2023-08-15 中国平安人寿保险股份有限公司 基于人工智能的行为预测方法、装置、终端及存储介质
CN111950622A (zh) * 2020-08-10 2020-11-17 中国平安人寿保险股份有限公司 基于人工智能的行为预测方法、装置、终端及存储介质
CN111951291A (zh) * 2020-08-13 2020-11-17 哈尔滨商业大学 基于多结构形态学与fodpso混合处理的红外图像边缘检测方法
CN111951291B (zh) * 2020-08-13 2024-02-06 哈尔滨商业大学 基于多结构形态学与fodpso混合处理红外图像边缘检测方法
CN112016663A (zh) * 2020-08-24 2020-12-01 郑州大学 一种基于群体智能优化算法的高聚物浆液参数识别方法
CN112016663B (zh) * 2020-08-24 2022-11-11 郑州大学 一种基于群体智能优化算法的高聚物浆液参数识别方法
CN112017733A (zh) * 2020-08-24 2020-12-01 郑州大学 一种基于粒子群算法的高聚物浆液参数识别方法
CN112017733B (zh) * 2020-08-24 2022-11-11 郑州大学 一种基于粒子群算法的高聚物浆液参数识别方法
CN112052933A (zh) * 2020-08-31 2020-12-08 浙江工业大学 基于粒子群优化的深度学习模型的安全性测试方法和修复方法
CN112052933B (zh) * 2020-08-31 2022-04-26 浙江工业大学 基于粒子群优化的深度学习模型的安全性测试方法和修复方法
CN112257897A (zh) * 2020-09-17 2021-01-22 华北电力大学 基于改进多目标粒子群的电动汽车充电优化方法和系统
CN112257897B (zh) * 2020-09-17 2024-03-22 华北电力大学 基于改进多目标粒子群的电动汽车充电优化方法和系统
CN112101814A (zh) * 2020-09-25 2020-12-18 吴俊江 基于加权的模糊聚类算法的油气工程分类方法和系统
CN112101814B (zh) * 2020-09-25 2024-04-16 吴俊江 基于加权的模糊聚类算法的油气工程分类方法和系统
CN112100893B (zh) * 2020-09-25 2024-04-02 西安交通大学 一种用于有限元计算的非连续域的优化方法
CN112100893A (zh) * 2020-09-25 2020-12-18 西安交通大学 一种用于有限元计算的非连续域的优化方法
CN111985144B (zh) * 2020-09-27 2023-07-18 江西师范大学 一种地学数据多参数协同优化的idw插值方法
CN111985144A (zh) * 2020-09-27 2020-11-24 江西师范大学 一种地学数据多参数协同优化的idw插值方法
CN112346010A (zh) * 2020-09-28 2021-02-09 中国人民解放军海军航空大学 基于尺度差和时差的双机无源定位方法
CN112346010B (zh) * 2020-09-28 2022-06-10 中国人民解放军海军航空大学 基于尺度差和时差的双机无源定位方法
CN112308288A (zh) * 2020-09-29 2021-02-02 百维金科(上海)信息科技有限公司 一种基于粒子群优化lssvm的违约用户概率预测方法
CN112181867A (zh) * 2020-09-29 2021-01-05 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN112200353B (zh) * 2020-09-30 2022-06-17 重庆师范大学 基于改进量子优化算法的支持向量机天气预测方法
CN112200353A (zh) * 2020-09-30 2021-01-08 重庆师范大学 基于改进量子优化算法的支持向量机天气预测方法
CN112183884A (zh) * 2020-10-19 2021-01-05 河南工业大学 一种粮食储藏品质预测方法及装置
CN112230678A (zh) * 2020-10-29 2021-01-15 皖江工学院 基于粒子群算法的三维无人机路径规划方法及规划系统
CN112199897A (zh) * 2020-11-02 2021-01-08 国网重庆市电力公司电力科学研究院 一种基于粒子群算法改进的gis设备异响振动识别方法
CN112328364A (zh) * 2020-11-05 2021-02-05 北京理工大学 一种基于农田肥力算法的计算密集型云工作流调度方法
CN112328364B (zh) * 2020-11-05 2022-07-08 北京理工大学 一种基于农田肥力算法的计算密集型云工作流调度方法
CN112330164A (zh) * 2020-11-09 2021-02-05 国网电力科学研究院武汉南瑞有限责任公司 基于消息总线的数据质量治理系统及方法
CN112330164B (zh) * 2020-11-09 2022-06-03 国网电力科学研究院武汉南瑞有限责任公司 基于消息总线的数据质量治理系统及方法
CN114547954A (zh) * 2020-11-24 2022-05-27 中国移动通信集团浙江有限公司 物流配送中心选址方法、装置、计算机设备
CN112558119A (zh) * 2020-11-30 2021-03-26 中航机载系统共性技术有限公司 一种基于自适应bfo-pso的卫星选择方法
CN112558119B (zh) * 2020-11-30 2023-10-10 中航机载系统共性技术有限公司 一种基于自适应bfo-pso的卫星选择方法
CN112801127A (zh) * 2020-12-09 2021-05-14 西安华谱电力设备制造有限公司 基于振荡波的电缆局部放电缺陷识别方法
CN112446435A (zh) * 2020-12-10 2021-03-05 长春理工大学 一种城市数据分类方法及系统
CN112446435B (zh) * 2020-12-10 2023-12-05 长春理工大学 一种城市数据分类方法及系统
CN112487816A (zh) * 2020-12-14 2021-03-12 安徽大学 一种基于网络分类的命名实体识别方法
CN112487816B (zh) * 2020-12-14 2024-02-13 安徽大学 一种基于网络分类的命名实体识别方法
CN112669169A (zh) * 2020-12-15 2021-04-16 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN112669169B (zh) * 2020-12-15 2024-04-30 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN112668078A (zh) * 2020-12-24 2021-04-16 青岛理工大学 一种锈蚀钢筋混凝土梁火灾后损伤识别方法
CN112668078B (zh) * 2020-12-24 2022-05-17 青岛理工大学 一种锈蚀钢筋混凝土梁火灾后损伤识别方法
CN112667876B (zh) * 2020-12-24 2024-04-09 湖北第二师范学院 一种基于PSOTVCF-Kmeans算法的意见领袖群识别方法
CN112667876A (zh) * 2020-12-24 2021-04-16 湖北第二师范学院 一种基于PSOTVCF-Kmeans算法的意见领袖群识别方法
CN112668446A (zh) * 2020-12-24 2021-04-16 常州大学 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法
CN112763988A (zh) * 2020-12-24 2021-05-07 西安电子科技大学 基于自适应二进制粒子群遗传算法的混沌序列抗干扰波形设计方法
CN112763988B (zh) * 2020-12-24 2023-12-26 西安电子科技大学 基于自适应二进制粒子群遗传算法的抗干扰波形设计方法
CN112765845B (zh) * 2021-01-04 2024-03-05 华东理工大学 一种用于带接管压力容器损伤定位的传感器阵列优化方法
CN112765845A (zh) * 2021-01-04 2021-05-07 华东理工大学 一种用于带接管压力容器损伤定位的传感器阵列优化方法
CN112668247B (zh) * 2021-01-20 2023-12-26 中国建筑土木建设有限公司 一种施工便道厚度最优化设计方法及系统
CN112668248B (zh) * 2021-01-20 2023-12-26 中国建筑土木建设有限公司 混凝土运输车调度优化计算理论模型的方法及系统
CN112668247A (zh) * 2021-01-20 2021-04-16 中国建筑土木建设有限公司 一种施工便道厚度最优化设计方法及系统
CN112668248A (zh) * 2021-01-20 2021-04-16 中国建筑土木建设有限公司 混凝土运输车调度优化计算理论模型的方法及系统
CN112800682B (zh) * 2021-02-04 2022-10-04 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
CN112992291B (zh) * 2021-02-04 2023-07-18 中国科学院沈阳自动化研究所 一种高温电工级氧化镁粉配料优化方法
CN112992291A (zh) * 2021-02-04 2021-06-18 中国科学院沈阳自动化研究所 一种高温电工级氧化镁粉配料优化方法
CN112800682A (zh) * 2021-02-04 2021-05-14 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
CN112784811B (zh) * 2021-02-09 2023-06-23 西安科技大学 一种全局最优超声信号去噪方法
CN112784811A (zh) * 2021-02-09 2021-05-11 西安科技大学 一种全局最优超声信号去噪方法
CN112862055A (zh) * 2021-02-11 2021-05-28 西北工业大学 一种考虑成群性一致性密集性的集群行为量化分析方法
CN112862055B (zh) * 2021-02-11 2024-01-12 西北工业大学 一种考虑成群性一致性密集性的集群行为量化分析方法
CN113034554A (zh) * 2021-02-27 2021-06-25 西北大学 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法
CN113034554B (zh) * 2021-02-27 2024-03-29 西北大学 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法
CN113141317A (zh) * 2021-03-05 2021-07-20 西安电子科技大学 流媒体服务器负载均衡方法、系统、计算机设备、终端
CN112884368A (zh) * 2021-03-23 2021-06-01 合肥工业大学 面向高端装备交货时间与延迟最小的多目标调度方法及系统
CN112884368B (zh) * 2021-03-23 2022-11-01 合肥工业大学 高端装备交货时间与延迟最小的多目标调度方法及系统
CN113112130A (zh) * 2021-03-23 2021-07-13 合肥工业大学 高端装备制造过程质量在线监测方法及系统
CN113112130B (zh) * 2021-03-23 2022-09-30 合肥工业大学 高端装备制造过程质量在线监测方法及系统
CN113011589A (zh) * 2021-03-29 2021-06-22 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN113011589B (zh) * 2021-03-29 2024-03-08 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN113435101A (zh) * 2021-04-01 2021-09-24 国网内蒙古东部电力有限公司 一种基于粒子群优化的支持向量机停电预测方法
CN113051771B (zh) * 2021-04-09 2024-03-26 中国科学院苏州生物医学工程技术研究所 基于粒子群算法的三重四极杆质谱仪参数优化方法及系统
CN113051771A (zh) * 2021-04-09 2021-06-29 中国科学院苏州生物医学工程技术研究所 基于粒子群算法的三重四极杆质谱仪参数优化方法及系统
CN113011680A (zh) * 2021-04-16 2021-06-22 西安建筑科技大学 一种电力负荷预测方法及系统
CN113376536A (zh) * 2021-04-22 2021-09-10 安徽锐能科技有限公司 数据驱动型的高精度锂电池soc联合估计方法及系统
CN113239761B (zh) * 2021-04-29 2023-11-14 广州杰赛科技股份有限公司 人脸识别方法、装置以及存储介质
CN113239761A (zh) * 2021-04-29 2021-08-10 广州杰赛科技股份有限公司 人脸识别方法、装置以及存储介质
CN113269426A (zh) * 2021-05-18 2021-08-17 哈尔滨工程大学 一种基于启发式改进粒子群算法的宿舍分配方法
CN113158495A (zh) * 2021-05-21 2021-07-23 华东理工大学 基于粒子群算法的分子筛工艺条件的生成方法和系统
CN113158495B (zh) * 2021-05-21 2024-04-26 华东理工大学 基于粒子群算法的分子筛工艺条件的生成方法和系统
CN113327322A (zh) * 2021-05-26 2021-08-31 国勘数字地球(北京)科技有限公司 面波频散曲线的反演方法、装置及计算机可读存储介质
CN113376541A (zh) * 2021-06-04 2021-09-10 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113376541B (zh) * 2021-06-04 2023-06-06 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113505914B (zh) * 2021-06-17 2023-05-26 广东工业大学 优化svm的注塑机液压系统能耗预测方法、系统和设备
CN113505914A (zh) * 2021-06-17 2021-10-15 广东工业大学 优化svm的注塑机液压系统能耗预测方法、系统和设备
CN113435304A (zh) * 2021-06-23 2021-09-24 西安交通大学 提取扭振信号的扭振信息的方法、系统、设备及存储介质
CN113435304B (zh) * 2021-06-23 2023-09-19 西安交通大学 提取扭振信号的扭振信息的方法、系统、设备及存储介质
CN113393451A (zh) * 2021-06-25 2021-09-14 江南大学 一种基于自动机器学习的缺陷检测方法
CN113283573A (zh) * 2021-06-25 2021-08-20 江南大学 一种卷积神经网络最优结构自动搜索方法
CN113393451B (zh) * 2021-06-25 2024-03-29 江南大学 一种基于自动机器学习的缺陷检测方法
CN113283573B (zh) * 2021-06-25 2024-03-29 江南大学 一种卷积神经网络最优结构自动搜索方法
CN113407895A (zh) * 2021-06-29 2021-09-17 广东电网有限责任公司 基于模拟退火算法的闪光驱鸟最优频率选择方法及系统
CN113821317B (zh) * 2021-07-02 2023-08-11 华侨大学 一种边云协同的微服务调度方法、装置及设备
CN113353582A (zh) * 2021-07-02 2021-09-07 东北大学 基于音频信息和pso-msvm的传送带托辊设备故障检测方法
CN113821317A (zh) * 2021-07-02 2021-12-21 华侨大学 一种边云协同的微服务调度方法、装置及设备
CN113643335A (zh) * 2021-07-13 2021-11-12 西北大学 一种基于edf-de模型的三维图像配准方法及应用
CN113643335B (zh) * 2021-07-13 2024-04-12 西北大学 一种基于edf-de模型的三维图像配准方法及应用
CN113759333A (zh) * 2021-07-14 2021-12-07 中国人民解放军空军预警学院 基于鲸鱼优化算法的风轮机多径回波微动参数估计方法
CN113759333B (zh) * 2021-07-14 2024-04-02 中国人民解放军空军预警学院 基于鲸鱼优化算法的风轮机多径回波微动参数估计方法
CN113806992A (zh) * 2021-07-23 2021-12-17 任长江 一种基于对流-弥散理论的优化方法
CN113642613A (zh) * 2021-07-23 2021-11-12 温州大学 基于改进樽海鞘群算法的医学疾病特征选择方法
CN113642613B (zh) * 2021-07-23 2023-10-10 温州大学 基于改进樽海鞘群算法的医学疾病特征选择方法
CN113590587A (zh) * 2021-07-30 2021-11-02 湘潭大学 一种基于自适应模拟退火-粒子群-克里金插值算法的离线位置指纹库构建方法
CN113707216A (zh) * 2021-08-05 2021-11-26 北京科技大学 一种浸润免疫细胞比例计数方法
CN113690933A (zh) * 2021-08-06 2021-11-23 合肥工业大学 并网逆变器锁相环参数辨识方法
CN113690933B (zh) * 2021-08-06 2022-11-29 合肥工业大学 并网逆变器锁相环参数辨识方法
CN113673015B (zh) * 2021-08-10 2023-08-25 石家庄铁道大学 梁柱端板连接节点优化设计智能系统构建及参数识别方法
CN113673015A (zh) * 2021-08-10 2021-11-19 石家庄铁道大学 梁柱端板连接节点优化设计智能系统构建及参数识别方法
CN113807486B (zh) * 2021-08-23 2023-09-26 南京邮电大学 基于改进粒子群算法的多机器人区域覆盖方法
CN113951881A (zh) * 2021-08-23 2022-01-21 南方医科大学南方医院 一种远程护理监测系统
CN113951881B (zh) * 2021-08-23 2023-06-16 南方医科大学南方医院 一种远程护理监测系统
CN113807486A (zh) * 2021-08-23 2021-12-17 南京邮电大学 基于改进粒子群算法的多机器人区域覆盖方法
CN113887691A (zh) * 2021-08-24 2022-01-04 杭州电子科技大学 面向服务组合问题的鲸鱼进化系统及方法
CN113642220B (zh) * 2021-08-26 2023-09-22 江苏科技大学 一种基于rbf与mopso的船舶焊接工艺优化方法
CN113642220A (zh) * 2021-08-26 2021-11-12 江苏科技大学 一种基于rbf与mopso的船舶焊接工艺优化方法
CN113852909A (zh) * 2021-08-26 2021-12-28 广州杰赛科技股份有限公司 无线网络的节点定位方法、装置、设备及存储介质
CN113873428A (zh) * 2021-08-31 2021-12-31 广州杰赛科技股份有限公司 一种无线网络节点定位方法、装置、设备及介质
CN113673136A (zh) * 2021-09-06 2021-11-19 长安大学 岩溶隧道顶板安全厚度预测方法、系统及设备
CN113761689B (zh) * 2021-09-13 2024-03-26 河北工程大学 一种空气动力发动机多参数耦合优化方法及系统
CN113761689A (zh) * 2021-09-13 2021-12-07 河北工程大学 一种空气动力发动机多参数耦合优化方法及系统
CN113887692A (zh) * 2021-09-15 2022-01-04 中南大学 一种基于群活性感知的受控微粒群的研究方法
CN113848709A (zh) * 2021-09-17 2021-12-28 昌吉学院 一种基于改进量子粒子群算法的锅炉汽包水位控制方法
CN113869514B (zh) * 2021-09-17 2024-01-16 中林信达（北京）科技信息有限责任公司 一种基于遗传算法的多知识集成与优化方法
CN113869514A (zh) * 2021-09-17 2021-12-31 中林信达（北京）科技信息有限责任公司 一种基于遗传算法的多知识集成与优化方法
CN113781002A (zh) * 2021-09-18 2021-12-10 北京航空航天大学 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
CN113781002B (zh) * 2021-09-18 2023-07-21 北京航空航天大学 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
CN113687190A (zh) * 2021-09-22 2021-11-23 云南民族大学 一种基于sabso算法的含分布式电源配电网故障定位方法
CN114118130B (zh) * 2021-09-28 2024-04-05 西安交通大学 一种变压器局部放电模式识别方法、系统、介质及设备
CN114118130A (zh) * 2021-09-28 2022-03-01 西安交通大学 一种变压器局部放电模式识别方法、系统、介质及设备
CN113902016A (zh) * 2021-10-11 2022-01-07 大连海事大学 一种船舶机械运行模式的判定方法
CN113935132A (zh) * 2021-10-15 2022-01-14 福州大学 基于改进多目标粒子群算法的粘滞阻尼器参数优化方法
CN114090967A (zh) * 2021-10-25 2022-02-25 广州大学 一种基于pso-msvm的apt组织追踪溯源方法及系统
CN113988125A (zh) * 2021-10-25 2022-01-28 西安交通大学 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法
CN113987806B (zh) * 2021-10-29 2024-04-26 吉林大学 一种基于代理模型的大气模式优化方法
CN113987806A (zh) * 2021-10-29 2022-01-28 吉林大学 一种基于代理模型的大气模式优化方法
CN113916860A (zh) * 2021-11-02 2022-01-11 淮阴工学院 一种基于荧光光谱的农药残留种类识别方法
CN113988713A (zh) * 2021-11-25 2022-01-28 江苏科技大学 基于gna-xalo-svm的柴油机装配质量异常模式识别方法
CN114065594A (zh) * 2021-11-30 2022-02-18 西安交通大学 基于神经网络模型的gis用单支柱绝缘子电气性能优化方法
CN114065594B (zh) * 2021-11-30 2024-04-02 西安交通大学 基于神经网络模型的gis用单支柱绝缘子电气性能优化方法
CN114200960A (zh) * 2021-12-02 2022-03-18 杭州电子科技大学 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
CN114200960B (zh) * 2021-12-02 2024-05-28 杭州电子科技大学 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
CN114169098B (zh) * 2021-12-07 2024-01-19 西安交通大学 基于捕食者策略和粒子群算法的先进安注箱参数优化方法
CN114459501A (zh) * 2021-12-10 2022-05-10 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种惯导安装误差自动标定方法及装置
CN114459501B (zh) * 2021-12-10 2023-08-25 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种惯导安装误差自动标定方法及装置
CN114244720A (zh) * 2021-12-17 2022-03-25 湘潭大学 一种sdn环境下基于改进粒子群算法的多控制器部署方法
CN114019985B (zh) * 2021-12-20 2023-12-22 中国海洋大学 基于分数阶pid和粒子群算法的无人船舵向控制设计方法
CN114019985A (zh) * 2021-12-20 2022-02-08 中国海洋大学 基于分数阶pid和粒子群算法的无人船舵向控制设计方法
CN114239412A (zh) * 2021-12-21 2022-03-25 许昌许继风电科技有限公司 一种混合多类算法的复杂地形风电机组位置处实时风速计算方法及系统
CN114528907B (zh) * 2021-12-31 2023-04-07 北京交通大学 工业异常数据检测方法及装置
CN114528907A (zh) * 2021-12-31 2022-05-24 北京交通大学 工业异常数据检测方法及装置
CN114415510A (zh) * 2022-01-17 2022-04-29 江西理工大学 磁悬浮列车速度跟踪方法
CN114599004A (zh) * 2022-01-28 2022-06-07 北京邮电大学 一种基站布局方法和装置
CN114611572A (zh) * 2022-01-28 2022-06-10 北京工商大学 基于改进rbf神经网络的数据分级存储算法
CN114611572B (zh) * 2022-01-28 2024-05-14 北京工商大学 基于改进rbf神经网络的数据分级存储算法
CN114599004B (zh) * 2022-01-28 2024-01-05 北京邮电大学 一种基站布局方法和装置
CN114422952B (zh) * 2022-01-29 2024-05-03 南京邮电大学 基于改进lssvr的室内指纹定位方法
CN114422952A (zh) * 2022-01-29 2022-04-29 南京邮电大学 基于改进lssvr的室内指纹定位方法
CN114665971B (zh) * 2022-03-21 2023-10-13 北京理工大学 一种用于提高通信容量的多模式叠加光束的产生方法
CN114665971A (zh) * 2022-03-21 2022-06-24 北京理工大学 一种用于提高通信容量的多模式叠加光束的产生方法
CN114757084A (zh) * 2022-04-07 2022-07-15 西北工业大学 一种宽带卫星通信系统动态波束跳变方法
CN114757084B (zh) * 2022-04-07 2024-03-05 西北工业大学 一种宽带卫星通信系统动态波束跳变方法
CN114740873B (zh) * 2022-04-13 2024-05-28 青岛科技大学 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法
CN114740873A (zh) * 2022-04-13 2022-07-12 青岛科技大学 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法
CN114580306A (zh) * 2022-04-24 2022-06-03 锦浪科技股份有限公司 一种基于改进pso算法的反激式变压器设计方法
CN114580306B (zh) * 2022-04-24 2022-07-29 锦浪科技股份有限公司 一种基于改进pso算法的反激式变压器设计方法
CN114947825A (zh) * 2022-04-29 2022-08-30 吉林大学 基于psogwo-svm的下肢假肢连续运动识别方法
CN114792071A (zh) * 2022-05-18 2022-07-26 西安理工大学 基于机器学习技术的排水泵站优化调度方法
CN114792071B (zh) * 2022-05-18 2023-08-25 西安理工大学 基于机器学习技术的排水泵站优化调度方法
CN114936577B (zh) * 2022-05-23 2024-03-26 大连大学 一种基于改进狮群算法的混合图像盲分离方法
CN114936577A (zh) * 2022-05-23 2022-08-23 大连大学 一种基于改进狮群算法的混合图像盲分离方法
CN114896736A (zh) * 2022-05-27 2022-08-12 太原理工大学 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统
CN114896736B (zh) * 2022-05-27 2024-04-09 太原理工大学 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统
CN115130400A (zh) * 2022-05-31 2022-09-30 福州大学 连续微流控生物芯片控制模式分配方法
CN114899844A (zh) * 2022-06-13 2022-08-12 华能国际电力股份有限公司德州电厂 一种小扰动火电机组一次调频控制系统
CN115081325B (zh) * 2022-06-21 2024-03-15 桂林电子科技大学 基于粒子群与遗传混合算法的透镜天线多目标优化方法
CN115081325A (zh) * 2022-06-21 2022-09-20 桂林电子科技大学 基于粒子群与遗传混合算法的透镜天线多目标优化方法
CN115021816A (zh) * 2022-07-04 2022-09-06 吉林大学 基于改进的樽海鞘群算法的可见光通信系统功率分配方法
CN115146389A (zh) * 2022-07-19 2022-10-04 江西理工大学 一种永磁磁浮列车动力学特征建模方法
CN115146389B (zh) * 2022-07-19 2024-03-12 江西理工大学 一种永磁磁浮列车动力学特征建模方法
CN115208703A (zh) * 2022-09-16 2022-10-18 北京安帝科技有限公司 分片并行化机制的工控设备入侵检测方法和系统
CN115208703B (zh) * 2022-09-16 2022-12-13 北京安帝科技有限公司 分片并行化机制的工控设备入侵检测方法和系统
CN116307021B (zh) * 2022-10-08 2024-03-22 中国大唐集团科学技术研究总院有限公司 一种新能源制氢系统的多目标能量管理方法
CN116307021A (zh) * 2022-10-08 2023-06-23 中国大唐集团科学技术研究总院有限公司 一种新能源制氢系统的多目标能量管理方法
CN115876229A (zh) * 2022-10-14 2023-03-31 哈尔滨理工大学 基于粒子群的新型编码器角度过零跳点抑制方法及装置
CN115876229B (zh) * 2022-10-14 2023-06-20 哈尔滨理工大学 基于粒子群的新型编码器角度过零跳点抑制方法及装置
CN115375204A (zh) * 2022-10-25 2022-11-22 中国人民解放军陆军装甲兵学院 一种车载智能微电网性能评估方法
CN115696354B (zh) * 2022-10-26 2024-04-19 金陵科技学院 基于改进粒子群的高铁移动通信系统网络覆盖方法
CN115696354A (zh) * 2022-10-26 2023-02-03 金陵科技学院 基于改进粒子群的高铁移动通信系统网络覆盖方法
CN115640918A (zh) * 2022-12-26 2023-01-24 电子科技大学中山学院 电缆温度异常预测方法、装置、介质及设备
CN116307533B (zh) * 2023-02-21 2023-10-20 珠江水利委员会珠江水利科学研究院 水库群防洪调度智能化方法、系统及介质
CN116307533A (zh) * 2023-02-21 2023-06-23 珠江水利委员会珠江水利科学研究院 水库群防洪调度智能化方法、系统及介质
CN115865762A (zh) * 2023-03-03 2023-03-28 上海人工智能网络系统工程技术研究中心有限公司 基于sdn架构的空间信息网络流量预测方法及调度系统
CN116070151B (zh) * 2023-03-17 2023-06-20 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法
CN116070151A (zh) * 2023-03-17 2023-05-05 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法
CN116825117A (zh) * 2023-04-06 2023-09-29 浙江大学 一种具有隐私保护功能的麦克风及其隐私保护方法
CN116152316A (zh) * 2023-04-17 2023-05-23 山东省工业技术研究院 一种基于自适应参数粒子群算法的图像配准方法
CN116341390A (zh) * 2023-05-11 2023-06-27 西安现代控制技术研究所 一种全局搜索快速收敛多约束弹道优化方法
CN116341390B (zh) * 2023-05-11 2023-11-17 西安现代控制技术研究所 一种全局搜索快速收敛多约束弹道优化方法
CN116562331B (zh) * 2023-05-19 2023-11-21 石家庄铁道大学 一种改进爬行动物搜索算法优化svm的方法及其应用
CN116562331A (zh) * 2023-05-19 2023-08-08 石家庄铁道大学 一种改进爬行动物搜索算法优化svm的方法及其应用
CN116543848B (zh) * 2023-07-05 2023-09-29 潍坊学院 基于平行因子和粒子群优化算法的混合物组分定量方法
CN116543848A (zh) * 2023-07-05 2023-08-04 潍坊学院 基于平行因子和粒子群优化算法的混合物组分定量方法
CN116882279A (zh) * 2023-07-07 2023-10-13 西南科技大学 针对电源的实验设计优化方法及装置
CN116882279B (zh) * 2023-07-07 2024-04-12 西南科技大学 针对电源的实验设计优化方法及装置
CN117033965A (zh) * 2023-08-11 2023-11-10 湖北工业大学 生物疫苗数据特征选择方法、装置、设备及介质
CN116756469A (zh) * 2023-08-22 2023-09-15 中之力搏建设工程有限公司 一种户外照明灯具优化管理系统
CN116756469B (zh) * 2023-08-22 2023-10-31 中之力搏建设工程有限公司 一种户外照明灯具优化管理系统
CN116828484B (zh) * 2023-08-22 2024-06-07 中国人民解放军空军工程大学 基于改进物种生灭优化算法的传感器网络覆盖优化方法
CN116822567A (zh) * 2023-08-28 2023-09-29 山东省科学院海洋仪器仪表研究所 一种蒸发波导预测模型参数的优化方法
CN116822567B (zh) * 2023-08-28 2023-11-21 山东省科学院海洋仪器仪表研究所 一种蒸发波导预测模型参数的优化方法
CN117407775A (zh) * 2023-09-15 2024-01-16 三峡大学 基于ingo-svm的输电铁塔地脚螺栓螺母缺失无损检测方法
CN117113795A (zh) * 2023-10-23 2023-11-24 之江实验室 一种优化磁约束带电粒子成像系统参数的方法
CN117113795B (zh) * 2023-10-23 2024-01-26 之江实验室 一种优化磁约束带电粒子成像系统参数的方法
CN117114144B (zh) * 2023-10-24 2024-01-26 青岛农业大学 基于人工智能的水稻耐盐碱性能预测方法及系统
CN117114144A (zh) * 2023-10-24 2023-11-24 青岛农业大学 基于人工智能的水稻耐盐碱性能预测方法及系统
CN117439190A (zh) * 2023-10-26 2024-01-23 华中科技大学 一种水火风系统调度方法、装置、设备及存储介质
CN117198418B (zh) * 2023-11-07 2024-02-13 威海百合生物技术股份有限公司 一种多糖提取工艺参数优化方法及系统
CN117198418A (zh) * 2023-11-07 2023-12-08 威海百合生物技术股份有限公司 一种多糖提取工艺参数优化方法及系统
CN117196418B (zh) * 2023-11-08 2024-02-02 江西师范大学 一种基于人工智能的阅读教学质量评估方法及系统
CN117196418A (zh) * 2023-11-08 2023-12-08 江西师范大学 一种基于人工智能的阅读教学质量评估方法及系统
CN117755150A (zh) * 2023-11-28 2024-03-26 北京潞电电力建设有限公司 一种基于机器学习的快速充电方法
CN117574255B (zh) * 2023-12-15 2024-05-14 昆明理工大学 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法
CN117574255A (zh) * 2023-12-15 2024-02-20 昆明理工大学 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法
CN117584136A (zh) * 2024-01-18 2024-02-23 泰山学院 基于人工智能的机器人故障检测方法及系统
CN117584136B (zh) * 2024-01-18 2024-03-29 泰山学院 基于人工智能的机器人故障检测方法及系统
CN117725685A (zh) * 2024-02-05 2024-03-19 中汽研汽车检验中心（天津）有限公司 一种车辆操控性多目标优化方法和设备
CN117725685B (zh) * 2024-02-05 2024-05-31 中汽研汽车检验中心（天津）有限公司 一种车辆操控性多目标优化方法和设备
CN117911197A (zh) * 2024-03-20 2024-04-19 国网江西省电力有限公司电力科学研究院 基于改进多目标粒子群算法的光伏选址定容方法及系统

Also Published As

Publication number Publication date
CN106682682A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
WO2018072351A1 (zh) 一种基于粒子群优化算法对支持向量机的优化方法
Ma et al. CURE-SMOTE algorithm and hybrid algorithm for feature selection and parameter optimization based on random forests
Peng et al. A new approach for imbalanced data classification based on data gravitation
Yu et al. Hybrid adaptive classifier ensemble
Vigdor et al. The bayesian artmap
Zhao et al. Improved density peaks clustering based on firefly algorithm
De Amorim Constrained clustering with minkowski weighted k-means
CN109816000A (zh) 一种新的特征选择与参数优化方法
US20150161232A1 (en) Noise-enhanced clustering and competitive learning
US20030169919A1 (en) Data classifier for classifying pattern data into clusters
Demidova et al. Improving the Classification Quality of the SVM Classifier for the Imbalanced Datasets on the Base of Ideas the SMOTE Algorithm
Lou et al. Improved fuzzy C-means clustering algorithm based on cluster density
Masuyama et al. A kernel Bayesian adaptive resonance theory with a topological structure
CN110705640A (zh) 一种基于黏菌算法构建预测模型的方法
CN111079074A (zh) 一种基于改进的正弦余弦算法构建预测模型的方法
Zhao et al. Multi-layer radial basis function neural network based on multi-scale kernel learning
CN113255873A (zh) 一种聚类天牛群优化方法、系统、计算机设备和存储介质
Wu et al. A memetic fuzzy whale optimization algorithm for data clustering
JP5909943B2 (ja) 情報処理装置、推定機生成方法、及びプログラム
İnkaya A density and connectivity based decision rule for pattern classification
Tian et al. Elephant search algorithm on data clustering
Pandey et al. Min–max kurtosis mean distance based k-means initial centroid initialization method for big genomic data clustering
US20220284261A1 (en) Training-support-based machine learning classification and regression augmentation
Rezaei et al. A prototype optimization method for nearest neighbor classification by gravitational search algorithm
Ladeira Marques et al. Large margin classifiers to generate synthetic data for imbalanced datasets

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17863092

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17863092

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 04/10/2019)

122 Ep: pct application non-entry in european phase

Ref document number: 17863092

Country of ref document: EP

Kind code of ref document: A1